00:00:00 Введение и опыт Сима в области науки о данных и аналитики цепи поставок.
00:02:00 Обзор прогнозирования и временных рядов как общего подхода в управлении цепями 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 ее 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 квантильного прогнозирования и его проблем.
00:24:26 Ограниченная среда в бизнесе и цепях поставок.
00:25:58 Введение вероятностного прогнозирования для принятия более обоснованных решений.
00:27:56 Решение проблем цепи поставок с помощью вероятностного прогнозирования.
00:30:41 Внедрение вероятностного прогнозирования в крупных установленных компаниях.
00:34:10 Важность организационной перестройки при внедрении новой системы.
00:36:02 Традиционный подход к разрешению конфликтов между несколькими ограничениями.
00:38:31 Проблемы отказа от традиционных методов прогнозирования.
00:41:00 Как изменить приоритеты и структурировать ресурсы.
00:42:33 Потенциальная ценность принятия вероятностного прогнозирования.
00:45:30 Поощрение бизнеса к использованию новых технологий.
00:46:55 Переход от Excel к более продвинутым инструментам управления цепями поставок.
00:48:30 Зависимость от квалифицированных инженеров для использования передовых инструментов управления цепями поставок.
00:50:06 Доверие к рекомендациям новых систем.
00:53:00 Важность знаний в области цепей поставок и науки о данных.
00:56:49 Создание междепартаментальной организации по науке о данных.
00:59:42 Обсуждение будущей структуры аналитики данных и ее внедрение в подразделения.
01:02:16 Преимущества наличия единой организации по науке о данных.
01:04:01 Важность понимания цепи 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 ее связь с прогнозированием.
01:10:34 Проблемы убеждения лидеров цепи поставок в принятии нового подхода.
01:12:05 Опыт Сима с вероятностным прогнозированием и его преимущества.
01:15:01 Анекдот о применении квантильного прогнозирования в крупной канадской розничной компании.
01:19:35 Обсуждение неоптимальных решений в бизнесе и принятие лучших решений.
01:21:14 Важность принятия решений на основе возврата инвестиций для крайних случаев.
01:22:18 Призыв к принятию новых концепций и подходов в управлении цепями поставок.
01:23:25 Надежды на более оптимальный сценарий заказа и пополнения запасов в будущем.
Резюме
В этом интервью Жоанн Верморель, основатель Lokad, и Сим Тейлор, директор аналитики и науки о данных в Petco, обсуждают важность вероятностного прогнозирования в оптимизации цепи поставок. Они объясняют, что это включает в себя присвоение вероятностей нескольким сценариям, что позволяет лучше управлять управлением запасами и принятием решений. Несмотря на сложности внедрения вероятностного прогнозирования в крупных организациях, они призывают директоров цепи поставок принять новые концепции и выйти за рамки традиционных подходов. Они также подчеркивают важность доверия к ученым-данным и необходимость наличия специалистов, которые понимают как вызовы цепи поставок, так и технические аспекты.
Расширенное резюме
В этом интервью ведущий Конор Доэрти беседует с Жоанном Верморелем, основателем Lokad, и Симом Тейлором, директором аналитики и науки о данных в Petco. Они обсуждают важность вероятностного прогнозирования в оптимизации цепи поставок.
Сим Тейлор рассказывает о своем опыте в науке о данных и аналитике, работая в основном в аналитике товаров и цепи поставок. Он объясняет, что его работа направлена на использование данных и статистики для лучшего направления продуктов в их предназначенные места в цепи поставок для максимизации финансовых результатов.
На вопрос о прогнозировании Тейлор описывает его как вывод или предсказание о будущем результате с использованием исторической информации и других данных. Верморель соглашается, добавляя, что прогнозирование временных рядов является основой классической теории цепи поставок, но подчеркивает, что это только один из многих подходов к мышлению о будущем.
Обсуждение переходит к вероятностному прогнозированию, которое заключается в присвоении вероятностей или вероятностей нескольким возможным сценариям. Тейлор делится своим опытом использования квантильной регрессии в прогнозировании, которая направлена на предсказание экстремальных событий и помощь в предотвращении дефицита товара. Этот метод предполагает прямое решение для определенного уровня обслуживания, позволяя предприятиям устанавливать уровни запасов без полагания на потенциально неправильные расчеты резервных запасов.
Тейлор объясняет, что классический подход к управлению запасами предполагает прогнозирование наиболее вероятного исхода (прогноз) и учет изменчивости путем добавления резервных запасов. Вероятностное прогнозирование, с другой стороны, непосредственно оценивает общий объем запасов, необходимых для покрытия риска дефицита товара. Тейлор также говорит о трудностях определения правильного квантиля экстремального спроса и балансировке потребностей клиентов с финансовыми показателями и стоимостью запасов.
Собеседники обсуждают преимущества вероятностного прогнозирования в ограниченных средах, таких как ограниченные бюджеты или минимальные объемы заказа. Тейлор отмечает, что вероятностное прогнозирование может помочь предприятиям принимать четкие решения между конкурирующими потребностями, понимая вероятность продажи каждой дополнительной единицы и финансовую ценность, которую она предоставит.
В обсуждении подчеркиваются трудности, с которыми сталкиваются организации, пытающиеся внедрить вероятностное прогнозирование, особенно когда речь идет о изменении установленных процессов и разделения труда. Сим Тейлор делится своим опытом внедрения квантового подхода к прогнозированию, который требует всестороннего понимания и владения исполнением цепи поставок. Прогноз служит средством к достижению цели, сосредоточиваясь на повышении удовлетворенности клиентов, продажах и минимизации затрат.
Сим Тейлор подчеркивает важность автоматизации математически сложных задач в прогнозировании и заказных количествах, признавая при этом ценность человеческой интуиции и опыта опытных менеджеров цепи поставок. Он предлагает, чтобы предприятия могли перестроить свою организацию для оптимизации использования своего опытного персонала, что может включать изменение их ролей и полагаться на рекомендации системы.
Жоанн Верморель подчеркивает сложность отказа от традиционных прогнозов и связанных с ними ключевых показателей эффективности, поскольку вероятностное прогнозирование смещает фокус с точности прогнозов на операционные решения, которые они позволяют принимать. Он спрашивает у Сима Тейлора его точку зрения на то, как предприятия могут изменить приоритеты и переструктурировать свои ресурсы, чтобы адаптироваться к этим изменениям.
Сим Тейлор признает сложность внедрения вероятностного прогнозирования в крупных организациях, склонных к риску. Он предлагает достигать успеха поэтапно, сначала предоставляя более простые и быстрые инструменты, а затем демонстрируя ценность нового подхода. Это может включать поиск примера использования или компании, готовой сделать скачок веры и измерить бизнес-результаты. В целом, беседа подчеркивает потенциальные преимущества применения вероятностного прогнозирования, признавая при этом сложности, с которыми сталкиваются установленные организации.
В беседе затрагивается необходимость демонстрации успеха для поощрения принятия новых технологий и подходов. Верморель высказывает опасения относительно ограничений Excel и необходимости более продвинутых инструментов для работы с неопределенностью. Тейлор признает использование Excel практиками цепи поставок, но подчеркивает, что многие решения принимаются системой, которая часто является “черным ящиком” для тех, кто ее использует.
И Тейлор, и Верморель подчеркивают важность доверия к ученым-данным и необходимость наличия специалистов, понимающих вызовы цепи поставок и способных работать с кодом для автоматизации принятия решений. Тейлор предлагает находить людей, сочетающих понимание цепи поставок и техническую склонность. Верморель добавляет, что в будущем он представляет себе интеграцию науки о данных в каждое подразделение компании, с аналитиками, специализирующимися в своих областях.
Сим Тейлор подчеркивает важность достижения осязаемой ценности в управлении цепями поставок, независимо от занимаемой должности или роли. Он считает, что сочетание технической экспертизы и бизнес-знаний является ключевым фактором для достижения положительных финансовых результатов. В беседе также затрагивается ценность сотрудничества между экспертами по аналитике из разных областей и важность связи с бизнесом для получения значимых результатов.
Йоаннес Верморель подчеркивает практические преимущества вероятностного прогнозирования в управлении цепями поставок по сравнению с более техническими инновациями, такими как глубокое обучение. Вероятностное прогнозирование фокусируется на создании ценности путем решения проблемы неопределенности в коренном образе.
Сим Тейлор также обсуждает важность логики пополнения запасов и то, как она является ключевым фактором для принятия решений в управлении цепями поставок. Он считает, что фокусирование на ценности цепи поставок является неотъемлемым условием, и беседа должна вращаться вокруг того, как решения обеспечивают наилучший результат.
И Тейлор, и Верморель соглашаются в том, что обмен примерами использования и историями успеха важны для построения доверия с бизнесом и демонстрации ценности вероятностного прогнозирования. Тейлор приводит пример работы с крупным канадским ритейлером, где применение подхода квантильного прогнозирования привело к улучшению доступности товаров и управлению запасами.
Тейлор подчеркивает, что цепь поставок - это мир, полный ограничений, и что крайние случаи могут привести к неоптимальным результатам. Цель состоит в использовании дополнительной информации для принятия более оптимальных решений, требующих меньшего усилия. Приводится пример принятия решения о заказе полной грузовой машины у поставщика, когда нужна только часть. Возможность оценить стоимость каждой единицы, вероятность ее продажи и потенциальную маржу и затраты на хранение позволяет принимать более обоснованные решения в таких случаях.
И Верморель, и Тейлор призывают директоров цепей поставок оценивать и принимать новые концепции, такие как вероятностное прогнозирование, и выходить за рамки традиционных подходов, которые использовались десятилетиями. Они надеются, что, делясь успешными примерами, они смогут ускорить беседу и помочь бизнесам принимать более оптимальные решения по заказу и пополнению запасов.
Полный текст
Конор Доэрти: Добро пожаловать в Lokad TV. Я ваш ведущий, Конор, и как всегда, меня сопровождает основатель Lokad, Йоаннес Верморель. Сегодня мы говорим с Симом Тейлором. Он является директором аналитики и науки о данных в компании Petco, довольно крупной компании, и он будет говорить с нами о преимуществах вероятностного прогнозирования. Тим, добро пожаловать в Lokad.
Сим Тейлор: Привет, большое спасибо за приглашение, Конор и Йоаннес. Немного о себе: я управляю командами аналитики и науки о данных, специализирующимися на аналитике товаров и цепи поставок. Большую часть своей карьеры я работал в консалтинге. Я работал в Deloitte много лет в их командах цепи поставок в Великобритании и Канаде, и в последнюю половину этого времени я сосредоточился на создании моделей, чтобы помочь бизнесам оптимизировать свои запасы. В основном моей работой является то, как мы можем использовать данные и статистику, чтобы лучше направлять товары в различные места в цепи поставок, центры выполнения заказов, магазины, клиентов в правильных количествах и в правильное время, чтобы удовлетворить клиентов и максимизировать финансовые результаты. Я работал с различными компаниями, в основном с универмагами и розничными торговцами широкого ассортимента товаров, обычно с большим количеством продуктов, большим ассортиментом и большим портфелем запасов, включая моду и специализированную розницу. Несколько лет назад я перешел из мира консалтинга в индустрию, и в настоящее время я работаю в компании Petco, крупном американском розничном продавце товаров для животных, базирующемся в Калифорнии с присутствием в США и Мексике.
Конор Доэрти: Спасибо. Когда вы объясняете людям в общих чертах, что такое прогнозирование, как вы объясняете это неспециалистам?
Сим Тейлор: Конечно, прогнозирование, в основе, является относительно понятным процессом. Это, по сути, делать вывод или предсказание о будущем результате. В сфере поставок и розничной торговли мы много говорим о прогнозировании спроса, потребительского спроса. Так, для этого продукта в этом магазине, что хотят мои клиенты через неделю, через две недели или через 52 недели? Мы действительно пытаемся использовать историческую информацию и то, что мы знаем о будущем, например, цены на продукты и другие ключевые показатели, чтобы понять, какой вероятный результат мы можем ожидать и как мы можем спланировать наш заказ и доставку продукта в нужное место. Это действительно является основой классической теории цепей поставок, это прогнозирование. Джоаннес, вы согласны с этим определением?
Джоаннес Верморель: Да, я очень согласен с идеей прогнозирования временных рядов как основы классической теории цепей поставок. Но также я хотел бы отметить, что это фактически очень специфический подход к мышлению о будущем. Этот подход был настолько установлен и распространен настолько долго, что отрасль в целом в значительной степени забыла, что это только один из многих подходов, существующих для мышления о будущем. Потому что это ускользающая вещь - думать о будущем и предвидеть его. Думать об этом через призму прогнозирования временных рядов дает вам некоторые возможности, такие как множество моделей, которые подходят к этой парадигме, но также ограничивает то, что вы можете делать. И я думаю, что одна из интересных вещей в этой отрасли заключается в том, что из-за того, что прогнозы временных рядов существуют уже давно
Конор Доэрти: Думаю, было бы полезно рассказать о том, как я познакомился с вероятностным прогнозированием. Я имею дело с бизнесом, а не с академической сферой, поэтому я познакомился с вероятностным прогнозированием, когда работал с розничным продавцом, пытающимся решить некоторые реальные бизнес-задачи по заказу и пополнению запасов.
Сим Тейлор: Для этого клиента мы создавали инструменты пополнения запасов на основе стандартного точечного прогноза, который до сих пор является базовым для большинства предприятий. По сути, мы считаем, что этот продукт будет продаваться пять единиц завтра, шесть единиц послезавтра и т.д. Поскольку существует так много возможностей того, что это одно число может быть неправильным, мы затем применяем классический подход или уравнение безопасного запаса, говоря в основном о том, что наше единственное предсказание наиболее вероятного спроса будет часто ошибочным.
Стандартный подход к безопасному запасу в основном делает грубое предположение о том, что изменчивость спроса и сроки поставки поставщика симметрично распределены вокруг нашего наиболее вероятного прогноза. Это предположение о нормальности с точки зрения статистики просто принимается как базовое без вопросов во многих предприятиях.
Когда мы занимались этой работой, моя команда и я смотрели на реальность продаж в соответствующем окне времени поставки. Мы обнаружили, что в большинстве случаев предположение о нормальности совсем не выполняется для большинства розничных продавцов. Спрос и сроки поставки обычно не являются нормально распределенными. Ваш спрос обычно сильно концентрируется вокруг низкого значения для большинства продуктов, а затем есть длинный хвост потенциальных значений спроса вправо.
Нам стало ясно, что нам нужно использовать более репрезентативные статистические распределения для моделирования этой изменчивости потребительского спроса и времени поставки. В противном случае, мы рискуем остаться без товара в некоторых ситуациях, потому что мы неправильно моделировали потенциальные результаты.
Конор Доэрти: Как вы и ваша команда начали рассматривать альтернативы точечному прогнозу?
Сим Тейлор: Сначала мы положились на квантильную регрессию в наших прогнозах, которая основана на идее, что в инвентаре нас на самом деле не интересует наиболее вероятный результат, который мы получаем из стандартного прогноза. Нас интересуют те экстремальные события и уверенность в том, что у нас достаточно запасов, чтобы предотвратить их исчерпание. Вот что делают уровни обслуживания в стандартном подходе к безопасному запасу.
Мы создали прогнозы с использованием квантильной регрессии, которая пыталась непосредственно решить определенный уровень обслуживания. Например, если мы перечислим все возможные варианты спроса в течение времени поставки, каков 95-й квантиль, очень маловероятная ситуация с этим спросом в этом времени поставки? На этом уровне вы устанавливаете свой уровень запаса. Вам не нужно беспокоиться о том, как назвать его безопасным запасом или о том, что ваши расчеты безопасного запаса неправильны из-за неверных предположений.
Вот как мы начали исследовать различные прогнозы спроса, отличные от среднего или среднего значения. Затем вопрос стал о том, на каком уровне обслуживания мы должны установить наши уровни квантиля, чтобы определить, какой квантиль спроса или времени поставки прогнозировать, и как мы комбинируем эти прогнозы квантиля для спроса и времени поставки? Именно тогда я столкнулся с Lokad и их уникальным, отличающимся подходом, где они прогнозируют все возможные результаты спроса в течение времени поставки и присваивают каждому вероятность, что позволяет учесть гораздо больше информации, чем просто понимание квантилей.
Joannes Vermorel: Ваш путь невероятно напоминает мой, потому что именно в Lokad у меня возникли проблемы с этими предположениями. Термин “безопасный запас” звучит безопасно, но на самом деле математические предположения, лежащие в его основе, довольно неразумны и, безусловно, очень небезопасны. В результате вы получаете такие вещи, как отрицательные времена поставки, что является невероятно странным. Вот что вы получаете с нормальным распределением времени поставки. Идея
Conor Doherty: Я понял, что было несоответствие между тем, что люди действительно интересовались, и тем, что они говорили. Директоры цепей поставок хотели лучшего прогноза, но на самом деле они хотели лучшего решения для цепи поставок. Когда вы начинаете думать в терминах статистики, важно не среднее значение, а экстремумы. Именно эти экстремальные ситуации вызывают ситуации с отсутствием товара или избыточным запасом, и именно эти ситуации вы действительно хотите анализировать с точки зрения статистики. Я обнаружил, что люди в финансовой сфере и прогнозировании погоды занимаются вероятностным прогнозированием с начала 90-х годов. В 2011-2012 годах мы начали делать это для цепей поставок с довольно большим отставанием по сравнению с другими пионерами в других отраслях.
Sim Taylor: Классический подход все еще пытается учесть риск, но мы просто называем наш запас по-другому. На самом деле важен результат для бизнеса. В нашем стандартном подходе мы стараемся очень точно предсказывать наиболее вероятный результат, но мы признаем, что это странный способ смотреть на вещи, потому что на самом деле нам важно покрыть риск более экстремальных событий, и у нас есть этот безопасный запас. Прогнозирование квантилей непосредственно устанавливает оба этих значения, рассматривая экстремальный пример спроса и рассчитывая запас, который должен быть у нас на складе.
Joannes Vermorel: Когда у вас есть полный набор возможных вероятностей, как это на самом деле преобразуется и используется в деловой реальности? Нас интересуют решения по заказу, чтобы убедиться, что они максимально оптимальны. Нам может уже не понадобиться термин “безопасный запас”, но меня интересует, как вы переводите это в реальное исполнение.
Sim Taylor: Первое мотивацией для рассмотрения альтернативных прогнозов было видение реальности, что случаи спроса не следуют типу распределения, которое моделируется в классическом подходе к безопасному запасу. Это было главным побуждением для меня рассмотреть другие подходы и оценить нашу способность иметь альтернативную модель, которая лучше соответствует данным.
Conor Doherty: Итак, чтобы лучше воспроизвести или учесть изменчивость, как правило, для спроса и времени поставки, вы начали с подхода к квантильному прогнозированию. Но возникли проблемы, такие как определение правильного экстремального квантиля спроса для балансировки потребностей клиентов и финансовых показателей по сравнению с затратами на хранение запасов. И в ограниченных средах, которые распространены в бизнесе и цепях поставок, вам нужен способ выбора между разными продуктами и единицами для закупки. Можете ли вы рассказать больше о том, как вы пришли к вероятностному прогнозированию в качестве решения этих проблем?
Сим Тейлор: Да, то, что меня заинтересовало в вероятностном прогнозировании, это концепция понимания всех потенциальных сценариев и их вероятностей. Если я знаю вероятность продажи четырех единиц, пяти единиц, шести единиц, я могу определить, насколько вероятно, что я продам следующую единицу, которую собираюсь приобрести. Если я знаю это и стоимость, которую я получу от продажи этого продукта, валовую прибыль, а также затраты на хранение этого продукта и его отсутствие на складе, я могу принять четкое решение о том, какая единица приносит больше ценности моему бизнесу. Таким образом, это решает множество проблем, с которыми сталкиваются я и моя команда, а также другие команды, уже долгое время. Мы всегда находимся в ограниченной среде, и понимание вероятности продажи каждой следующей единицы и ее финансовой ценности является элегантным способом решения этих проблем.
Жоанн Верморель: Это очень интересно. Моя самая большая проблема, когда я пытаюсь внедрить вероятностное прогнозирование в крупные установленные компании, такие как Petco, - это историческое разделение труда между прогнозированием и принятием решений. Крупные организации обычно разделяют работу между людьми, ответственными за прогнозирование, и теми, кто принимает решения, такие как заказы на пополнение запасов, производственные заказы и заказы на перемещение товаров. Но вероятностное прогнозирование - это инструмент, который позволяет более эффективно принимать решения. Само принятие решений не является прогнозом, но, фундаментально, принятие решения о пополнении запасов и составление прогноза намного более взаимосвязаны, чем в старом мире, где отдельная команда занималась анализом безопасности запасов и принятием решений.
Конор Доэрти: Пополнение запасов, я бы сказал, является классической теорией цепи поставок, которая обеспечивает очень четкое разделение труда между людьми, ответственными за прогнозирование/планирование, и другими людьми, которые должны принимать операционные решения, такие как заказы на производство, заказы на пополнение запасов, заказы на перемещение товаров и т. д. Как вы к этому подходите? Вы работали в очень крупных, установленных компаниях, которые, очевидно, имели практику управления цепями поставок, которая в значительной степени предшествовала этим вероятностным исследованиям. Как вы на самом деле подошли к организации с этим методом, который, я считаю, не учитывает исторические границы разделения труда, существовавшие для поддержки практики управления цепями поставок?
Сим Тейлор: Я думаю, что в ситуациях, когда мы достигли успеха, например, с подходом к квантовому прогнозированию, очень полезно иметь владение всем процессом выполнения цепи поставок. Если нашей конечной целью, которой она всегда является, является улучшение удовлетворенности клиентов, продаж и минимизация затрат при этом, сам прогноз - это всего лишь средство для достижения цели. Нас интересуют результаты: сколько я должен заказать, в какое место и в какое время, как в центрах распределения, так и в магазинах. Там, где у меня уже был успех, это было тогда, когда нам было предоставлено полномочие составить этот прогноз и непосредственно перевести его в количества заказов.
Мы прогнозируем, генерируем количество заказов, либо от поставщиков в центры распределения, либо пополнение из центров распределения в магазины. Роль в значительной степени заключается в процессе утверждения и оценки. В идеальном мире вы хотите автоматизировать как можно больше математической работы и правильно решать большинство сценариев. Затем, объединяя эти данные, основанные на данных, с опытом бизнес-команды, можно понять и оценить крайности или различные примеры и вносить корректировки.
Когда бизнес ищет замену или трансформацию способа заказа и пополнения запасов, это значительный проект, требующий много работы, многих месяцев для внедрения и участия множества людей. Это шанс сбросить и обновить способ работы вашего бизнеса. Многие компании используют это как возможность пересмотреть свою организацию, что обычно включает управление изменениями и пересмотр организационной структуры. Если вы можете перестроить свою организацию и переосмыслить ее вокруг гораздо более эффективной системы, именно здесь настоящий успех заключается в снижении затрат на заказы и улучшении уровней запасов для клиентов.
Конор Доэрти: У меня есть очень конкретный вопрос, который я хочу задать вам, Жоанн. Мы говорим о традиционном подходе к разрешению конфликтов между несколькими ограничениями, когда речь идет о бизнес-командах. Каким обычно является способ разрешения этого для команд, не использующих вероятностные методы, или процесс оптимизации без вероятностных методов? Как это делается на повседневной основе?
Жоанн Верморель: Если мы возьмем розничный пример, у вас будет команда, занимающаяся прогнозированием. Они установят базовую линию, управляют профилями сезонности и, возможно, устанавливают такие вещи, как классы ABC с уровнем фокуса и т. д. Таким образом, будет команда, тесно связанная с установлением прогнозов на будущее, которые являются временными рядами. Затем у вас появляется другая команда или ряд других команд, ответственных за операционные решения, такие как пополнение запасов или принятие решения о том, является ли продукт пригодным или нет для магазина. Основная организация полностью обоснована, и она очень устоялась в том смысле, что большая часть программного обеспечения, существующего на рынке, предоставляет вам пользовательские интерфейсы и процессы.
Жоанн Верморель: Когда у вас есть настроенные рабочие процессы для такого подхода, даже если они частично произвольны, у вас есть множество инструментов, которые проверяют позиции, у вас есть экран, посвященный просмотру прогнозов временных рядов, другой экран для корректировки безопасных запасов и еще один экран для управления предупреждениями. Эти абстрактные концепции становятся осязаемыми в организации, потому что есть люди с определенными ролями и рабочими процессами, построенными на их основе.
Как отметил наш гость, интересным является то, что вероятностное прогнозирование вызывает серьезные изменения в организации. Если у нас есть значительный проект, который пересматривает одну из основных функций компании, такую как пополнение запасов в розничном бизнесе, появляется возможность пересмотреть множество предположений. Это требует некоторого прыжка веры, так как это переход от традиционного подхода к управлению цепями поставок к альтернативной организации, которая является следствием того, что вероятностные прогнозы позволяют вам делать в вашей компании.
Прогнозы - это всего лишь артефакты; они являются инструментом для достижения чего-то другого. И все же, во многих компаниях, особенно в тех, у которых большая цепочка поставок, прогнозы обычно рассматриваются как самоцель. Есть команда с KPI в точности, и это является частью процесса S&OP. Они хотят более точный прогноз в качестве цели на следующий год.
Сим Тейлор: Проблема заключается в том, чтобы отпустить прогноз. С вероятностным прогнозированием вы предлагаете изменить фокус управления. Вместо того, чтобы следовать KPI точности прогнозирования, предоставлять ресурсы, бюджет и инструменты для их улучшения, мы должны сосредоточиться на решениях, которые мы принимаем на основе этих прогнозов. Это требует некоторого прыжка веры. Как мы можем предоставить более глубокую аргументацию, а не просто сказать “поверьте мне, это будет намного лучше”?
Это сложно и очень вызывает трудности. Я вижу огромный потенциальный эффект здесь, но я не знаю ни одного большого бизнеса, который полностью принял вероятностное прогнозирование. Реализация поэтапно, сначала предоставление более простого, быстрого инструмента и показ результатов - это путь к привлечению и вовлечению руководителей цепи поставок. Вам нужен один пример, а затем измерьте бизнес-реальность: наличие товара в наличии, оборачиваемость запасов, инвестиции в запасы и недели поставок до и после внедрения нового подхода.
Покажите ясные, неоспоримые финансовые преимущества, обусловленные новым подходом. Нас действительно волнует прогноз? Мы можем обсудить это, но важными являются результаты. Начинайте с бизнес-результатов и начинайте разговор с исторических результатов и успехов, это больше привлечет внимание, чем начинать с теории.
Conor Doherty: Я упомянул экспертов по цепям поставок, лидеров с большим опытом, у них есть отличное интуитивное понимание, и вы можете воспользоваться этим. Каждый хочет улучшить свой бизнес, поэтому практически у всех есть побуждение попробовать что-то новое, но им просто нужно некоторое обоснование и вера. Они видели похожую компанию и финансовые результаты, которые действительно демонстрируют успех. Вот как, знаете ли, после того, как у вас был один случай использования нового подхода, у вас действительно появляется платформа и вы можете начать внедрять его. Я думаю, что именно так начинаются новые технологии и подходы. В конечном счете, мы здесь, чтобы делать все возможное для клиента и для финансовых акционеров. Если мы можем показать, что есть хороший случай использования для риска, попробовать что-то другое, потому что мы видели результаты в других местах, это захватывающее предложение. Вероятнее всего, вы начнете разговор и двигаться вперед. Но я согласен, это большой вызов, потому что установленные процессы крепко укоренились в способе организации наших команд в большинстве крупных компаний. В результате, нужны правильные люди, которые готовы действительно понять проблемы и могут влиять на то, чтобы представить деловое предложение, показать, что есть реальная ценность в попытке чего-то подобного.
Joannes Vermorel: Одно из возражений, с которыми я часто сталкиваюсь, заключается в том, что при переходе от прогнозов точки, которые можно легко представить в Excel, к вероятностным прогнозам, которые можно представить в Excel в некоторой степени, это становится неким кошмарным процессом. Таким образом, в конечном итоге вам нужно улучшить свои инструменты каким-либо образом. Чтобы иметь модели, которые учитывают неопределенность, вам нужен инструмент, который более способен, чем Excel. Вы создаете класс риска, от которого внезапно зависит ваша организация, в зависимости от людей, способных использовать эти более сложные инструменты. Благодаря вашей должности главы науки о данных, я думаю, вы на переднем крае внедрения вещей, которые не являются немедленно доступными. Как только мы говорим о 20 строках Python, то уровень навыков, необходимых для работы с этим, в отличие от простой электронной таблицы, довольно высок. Это означает, что для компании вы зависите от людей, которые имеют гораздо больше инженерных навыков, чем раньше в этих позициях в цепях поставок. Я знаю, что некоторые из людей, с которыми я разговариваю, беспокоятся по поводу такого предложения. Они задаются вопросом, как решить эту проблему, когда они хотят сделать реальную цепь поставок, зависящую от чего-то, что не будет работать через электронные таблицы Excel или быть реализованным как система на основе правил в ERP.
Sim Taylor: Возможно, есть две вещи, которые нужно разобрать. Во-первых, Excel - это инструмент, который очень знаком менеджерам категорий, покупателям и практикующим специалистам в цепях поставок. Здесь определенно есть применение, но в большинстве компаний большинство решений принимается и определяется системой, которая уже является своего рода черным ящиком для тех, кто фактически принимает решения о закупках. Так что, вопрос, который вы поднимаете о переходе с Excel, в некоторых случаях не является огромным скачком. Это переход от одной системы, которая делает рекомендации одним способом, к другой системе, которая делает рекомендации другим способом. Я думаю, что если есть доверие в том, как работает новая система, и правильное обучение и обсуждения, чтобы понять, почему система делает что-то немного иначе, это не так уж и большой скачок изменить саму систему.
Вторая часть - это доверие к ученым-аналитикам данных. Я действительно верю, что планирование цепей поставок и товарного планирования - это одна из тех областей, в которых нельзя просто нанять ученого-аналитика данных и ожидать осязаемых финансовых преимуществ. Возможно, есть
Conor Doherty: Джоаннес и Сим, я хочу узнать больше о важности наличия технической и математической экспертизы, а также опыта в цепях поставок, когда речь идет об оптимизации цепей поставок. Каковы ваши мысли по этому поводу?
Sim Taylor: Оптимизация цепей поставок требует сочетания экспертизы, включая понимание вызовов и сложностей мира цепей поставок, а также математических и технических способностей. Идеальный кандидат должен иметь опыт в управлении цепями поставок и науке о данных. Он должен уметь понимать и работать с предыдущими системами и иметь знания об общих проблемах, таких как минимальные заказы у поставщиков и ограничения мощности на складах. Ученый-аналитик данных, только что закончивший аспирантуру, может не обладать этими знаниями, что может вызывать недоверие при попытке сочетания технологии с управлением цепями поставок. Мы ищем умных людей, обладающих и пониманием бизнеса, и техническим склонностями, способных работать с кодом или объяснять его, чтобы автоматизировать принятие решений умным образом. Это сочетание является ключевым для создания успешных аналитических команд.
Conor Doherty: Джоаннес, можно сказать, что ваш подход к выбору ученых-аналитиков цепей поставок в Lokad соответствует взглядам Сим на важность сочетания навыков?
Joannes Vermorel: Да, я думаю, что наши взгляды совпадают. Фактически, я вижу возможную эволюцию на рынке, где через десять лет команды по науке о данных, которые в настоящее время работают независимо, могут стать частью отделов цепей поставок. Я предвижу будущее, в котором каждый отдел будет иметь команду инженеров, специализирующихся на количественном анализе, обеспечивающих основу оптимизации для компании. Они будут тесно сотрудничать с операционными и высшими руководителями для установления стратегий. Я считаю, что эта естественная эволюция приведет к включению навыков науки о данных в каждый соответствующий отдел, например, аналитиков цепей поставок станут частью отдела цепей поставок, а аналитики маркетинга присоединятся к отделу маркетинга. Текущая организационная структура, в которой отделы науки о данных независимы от отделов, которым они обслуживают, может измениться, поскольку наука о данных становится неотъемлемым элементом каждой практики, а не поддерживающей функцией.
Sim Taylor: Джоаннес, я считаю вашу точку зрения на будущее науки о данных и аналитики в организациях интересной. В качестве руководителя аналитики в Petco я считаю, что если мы продолжим видеть операционные успехи, через десять лет может произойти сдвиг в сторону включения отделов аналитики данных в соответствующие отделы.
Conor Doherty: Вы считаете, что это больше связано с внутренними процессами в каждом отделе, где вы достигаете успеха?
Joannes Vermorel: Какой интересный вопрос, действительно говоря о том, как организовать и структурировать бизнес сейчас и какие преимущества у разных подходов. С моей личной точки зрения, я не несогласен с вами. Я думаю, что название и организация, в которой вы находитесь, в некотором смысле не имеют значения.
Sim Taylor: Меня вдохновляет возможность доставить ценность, осязаемую ценность, которую мы можем измерить. Я очень сосредоточен именно на цепях поставок, как я уже упоминал, например, в планировании товаров. Мой начальник управляет широкой организацией аналитики данных во многих разных областях и объединяет их. Но, как я уже упоминал, я думаю, что именно для цепей поставок я видел это в прошлом: у вас есть очень умные люди, которые не имеют опыта в цепях поставок, но очень техничны, и они не обязательно способны доставить эту значимую ценность в бизнесе. Это сочетание навыков в сфере бизнеса и глубокого понимания этой отрасли с возможностью технической реализации, на мой взгляд, способствует достижению положительных, значимых финансовых результатов.
Поэтому, независимо от того, называете ли вы себя ученым-аналитиком данных или практикующим в сфере цепей поставок, я думаю, что это неправильный вопрос или несущественный вопрос. Я получаю удовлетворение от решения проблем цепей поставок, и поэтому неважно, называете ли вы людей в команде учеными-аналитиками цепей поставок или планировщиками спроса, важно то, что вы делаете.
Я абсолютно согласен с тем, что вам нужно быть очень связанным с бизнесом; в противном случае, в мире цепей поставок и планирования товаров есть так много тонкостей, что если у вас нет понимания этого, вы просто играете с числами, и трудно достичь значимых результатов.
Однако есть и другая сторона медали: я считаю, что много ценности может быть получено от объединения экспертов по аналитике и практиков из разных областей. Преимущество наличия единой организации по науке о данных заключается в том, что вы можете создавать связи и отношения между единомышленниками, умными людьми, и они могут учиться друг у друга и действительно опираться на вашу техническую экспертизу в разных областях. В этом есть много пользы и в том, как команды взаимодействуют друг с другом в области маркетинговой аналитики, цепей поставок, клиентов, ценообразования, например. Есть много связей, которые могут быть ценными и объединять все это вместе.
Я думаю, что это действительно зависит от компании и того, что они видят как наилучшую стратегию. Но с чисто цепочечной точки зрения я считаю, что результаты имеют значение, и мне кажется очень сложным получить это доверие, о котором мы говорили, которое так важно при попытке чего-то нового и кажущегося сложным, если вы не можете упростить это и объяснить в терминах того, как это будет способствовать созданию бизнес-ценности с пониманием того, как работает цепочка поставок.
Joannes Vermorel: Я думаю, вы затронули очень интересный момент, и я немного отступлю от ваших комментариев о централизации. Что касается вероятностного прогнозирования, это довольно техническое новшество, но то, что удивляет, заключается в том, что оно настолько сильно затрагивает бизнес. Причина, почему это вас интересует, и вы неоднократно упоминали об этом, - это ценности, которые вы можете создать.
Интересная вещь с моей точки зрения, и это также то, что очень сложно объяснить, заключается в том, что это нечто совершенно отличное от, скажем, глубокого обучения или искусственного интеллекта. Это фундаментальное новшество, которое интересно из-за того, что вы можете сделать с ним в очень практическом смысле цепочки поставок. Есть некоторые технологические компоненты в вероятностном прогнозировании, но это играет
Conor Doherty: Лучшие прогнозы могут привести к улучшению цепочки поставок. Компании, которые преуспевают в классическом подходе, могут иметь лучшую оптимизацию заказов и пополнения запасов. Однако важно отметить, что логика пополнения запасов и то, как мы экстраполируем прогнозы в решения цепочки поставок, также имеет важное значение.
Sim Taylor: Люди часто удивляются, узнавая, что в некоторых случаях наивное скользящее среднее может давать похожие результаты на плохой точечный прогноз. Я стараюсь сосредоточить разговор больше на принятии решений на основе того, что приведет к лучшим результатам, и на то, как мы оцениваем изменчивость спроса и изменчивость времени выполнения заказа. Нам нужно продемонстрировать финансовый успех этого подхода простым и осязаемым способом для бизнеса.
Conor Doherty: Сим и Жоанн, у вас есть примеры из компаний или 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 квантиля я видел успех. Мы внедрили этот подход с бизнесами, сосредоточившись на ключевых бизнес-метриках, таких как наличие товара на складе и количество недель поставки. Мы смогли достичь более высокого наличия товара на складе, сохраняя уровень запасов на том же уровне или даже сокращая его. Этот подход помог построить доверие и показал, что разумное применение этих концепций может создавать бизнес-ценность.
Conor Doherty: У вас есть какие-либо анекдоты о успешных историях, где вы применили вероятностный прогнозирующий подход и продемонстрировали ценность, о которой вы говорите?
Sim Taylor: Не с точки зрения вероятностного прогнозирования, но с точки зрения квантиля у меня есть. Работая с крупным канадским ритейлером, мы внедрили подход прогнозирования безопасности запасов точечного прогноза, что привело к некоторому улучшению наличия товара на складе без увеличения запасов. Когда мы перешли к квантильному прогнозированию, мы увидели значительный рост в достижении более высокого наличия товара на складе, сохраняя уровень запасов на том же уровне или даже сокращая его. Это показало явные тенденции и различия в факторах деловой производительности, укрепляя доверие к этому подходу. Я - энтузиаст, который хочет сделать следующий шаг и использовать вероятностный прогнозирующий подход для дальнейшего улучшения этих результатов.
Conor Doherty: Квантильное прогнозирование не решает полностью, ну, спасибо, Сим, за этот момент. Чтобы перейти к вам, Жоанн, есть ли у вас анекдоты, подобные анекдотам Сима?
Joannes Vermorel: Да, это деталь, но я думаю, если сравнить то, что Lokad делала полтора десятка лет назад, когда начинала, и то, что она делает сейчас с использованием вероятностных подходов к прогнозированию для цепей поставок, то количество граничных случаев очень интересно. Когда мы начинали, каждый раз, когда мы пытались решить проблему цепи поставок, возникал лес граничных случаев. Под граничными случаями я имею в виду ситуации, когда обычная логика так плохо справляется, что вам нужно вмешаться и вручную исправить ситуацию, потому что результат бессмысленный. Вот почему у поставщиков, таких как Lokad, обычно есть оповещения и исключения для управления всеми этими ситуациями, которые настолько явно бессмысленны. Вы даже можете создать правило для обнаружения этого и сказать: “Хорошо, кто-то должен вмешаться, потому что система выдает результат, который имеет такой мало смысла”.
И мы перешли от того, что их было много, к тому, что их стало очень мало. Интересно, потому что для меня это означает устранение граничных случаев, таких вещей, которые требуют особого внимания, особых правил. В конце концов, я считаю, что это устранение доказывает, что все это было просто следствием метода, который в своей сути игнорировал неопределенность. Таким образом, когда возникала неопределенность или риск, и, кстати, когда у нас есть ограничения, например, с помощью эмодзи и все, что означает принятие решения, основанного на риске, в основном мы смогли упростить их.
Хотя это очень анекдотический элемент, устранение граничных случаев, я обнаружил, что это был самый надежный индикатор, свидетельствующий о зрелости и качестве вашей технологии. Это означает, можете ли вы работать с очень ограниченным количеством граничных случаев и крайних ситуаций, требующих вмешательства человека и микроуправления программным решением. Если вам приходится микроуправлять программным решением, которое управляет вашей цепью поставок, скорее всего, это означает, что на фундаментальном уровне у вас что-то идет не так. У вас есть несоответствие в подходе к проблеме и способе работы вашего программного обеспечения, и поэтому вам приходится использовать микроуправление в качестве временного решения для вашей цепи поставок.
Для меня вопрос будет заключаться в том, можем ли мы перейти от точечных прогнозов к квантильным и вероятностным прогнозам? Таким образом, открытым вопросом будет то, что будет дальше? Я уверен, что в этой области будет следующий этап технологии, но пока борьба все еще заключается в том, чтобы заставить большинство компаний просто принять неопределенность.
Sim Taylor: И, Жоанн, чтобы добавить, вы говорите о сокращении работы как о главном преимуществе, которое вы заметили. Я думаю, что обратная сторона этого заключается в том, что если мы говорим о некоторых из этих узкоспециализированных граничных случаях, которые на самом деле не такие уж и редки в цепи поставок, как мы уже сказали, это мир, полный ограничений. Либо это требует больше работы, либо, как я видел в предыдущих бизнесах, гораздо чаще принимается неправильное решение. Может быть, это не дополнительная работа, но мы просто принимаем
Conor Doherty: Упрощенное принятие решений часто приводит к неоптимальным результатам. Цель состоит в том, чтобы использовать дополнительную информацию для принятия более оптимального решения, требующего меньше усилий.
Sim Taylor: Верно. Например, у нас есть достаточно потребностей в закупке, чтобы заказать 50 грузовиков у поставщика, но наш контракт предусматривает, что мы должны заказывать полные грузовики или соответствовать минимальному объему заказа. Финансово выгоднее заказать сейчас и купить дополнительный товар, который нам не нужен, что приведет к избыточным запасам, занимающим место, или не заказывать вообще и рисковать нехваткой товара определенных видов? В идеале, у нас должно быть решение на основе ROI о том, следует ли нам заказывать сейчас или позже, что сделало бы принятие решений в граничных случаях более эффективным.
Conor Doherty: Джентльмены, у меня больше нет вопросов. Сим, как клиент, я предоставлю вам последнее слово. Хотите ли вы что-то добавить или задать дополнительные вопросы директорам цепей поставок, которые еще не приняли вероятностное прогнозирование?
Sim Taylor: Мой призыв к сообществу цепей поставок - оценить эти концепции, принять их и сделать шаг к тестированию и итерации, чтобы понять ценность, которую мы можем получить, двигаясь за пределы классического подхода. Мы просто заменяем одну систему другой, которая делает похожую вещь? Я бы хотел видеть больше разговоров и реальных примеров использования, где мы начинаем думать об этом подходе и внедряем его в бизнес, чтобы добиться успеха. По мере того, как мы делимся примерами ценности, это поможет ускорить разговор и двигаться вместе к более оптимальному сценарию заказа и пополнения запасов.
Conor Doherty: Спасибо за это, Сим. Я не могу взять на себя всю заслугу. Йоанн помогает много.
Joannes Vermorel: Спасибо, Конор. Я ценю это.
Conor Doherty: На этой ноте, джентльмены, мы закончим. Йоанн, большое спасибо за ваше время. Сим, большое спасибо за ваше. Увидимся в следующий раз.
