Дебаты по цепи поставок - Является ли добавленная стоимость прогнозирования (FVA) лучшей практикой или пустой тратой времени (с Джеффом Бейкером) - Ep 171

00:00:00 Представление участников дебатов и формат дебатов
00:02:56 Вступительное слово Жоанна
00:09:53 Вступительное слово Джеффа
00:16:56 Ответ Жоанна
00:21:47 Ответ Джеффа
00:26:53 Заключительное слово Жоанна
00:28:56 Заключительное слово Джеффа
00:31:05 Вопросы по теме
00:48:36 Вопросы от зрителей
01:18:57 Переосмысление первоначальных точек зрения и выводы

Резюме

В дебатах, ведущими которых был Конор Доэрти, обсуждался вопрос «Является ли добавленная стоимость прогнозирования (FVA) лучшей практикой или пустой тратой времени?» Джефф Бейкер и Жоанн Верморель высказали свои точки зрения. Джефф Бейкер, обладающий обширным опытом в управлении цепями поставок, выступил в пользу FVA, подчеркивая ее ценность при правильном применении и структурировании, акцентируя внимание на важности устранения предубеждений и использования экспертных мнений. В свою очередь, Жоанн Верморель, генеральный директор Lokad, утверждал, что FVA может быть неэффективной, и вместо этого выступал за финансовую оптимизацию принятия решений в цепи поставок с использованием вероятностных прогнозов. Дебаты подчеркнули противоположные точки зрения на роль FVA в управлении цепями поставок, предоставив понимание процессов принятия решений.

Расширенное резюме

В недавних дебатах, ведущими которых был Конор Доэрти, руководитель отдела коммуникации в Lokad и ведущий канала LokadTV на YouTube, был тщательно рассмотрен вопрос «Является ли добавленная стоимость прогнозирования (FVA) лучшей практикой или пустой тратой времени?». В дебатах приняли участие два выдающихся деятеля в области управления цепями поставок: Джефф Бейкер и Жоанн Верморель.

Джефф Бейкер, который поддерживает использование FVA, является основателем и исполнительным директором Libra SCM, руководителем курса MITx MicroMasters по управлению цепями поставок и ассоциированным редактором журнала Foresight, International Journal of Applied Forecasting. Обладая более чем 25-летним опытом в управлении цепями поставок, Джефф часто выступает и пишет о планировании продаж и операций (S&OP) и FVA.

С другой стороны, Жоанн Верморель, генеральный директор и основатель компании Lokad, парижской компании по оптимизации финансовых решений в сфере управления цепями поставок, выступил против использования FVA. Жоанн известен своими публикациями по вопросам управления цепями поставок и регулярно проводит публичные лекции и дебаты с лидерами отрасли.

Конор Доэрти начал дебат, представив тему и дав каждому участнику возможность представить себя. После представлений каждый участник представил свои взгляды на FVA.

Джефф Бейкер утверждал, что FVA является ценной практикой при правильном применении. Он подчеркнул, что корректировки прогнозов должны быть направлены и структурированы. По мнению Джеффа, корректировки должны основываться на направлении корректировки (вверх или вниз), внутренней прогнозируемости временных рядов и размере переопределения. Он подчеркнул важность поиска существенных увеличений, а не внесения незначительных изменений.

Джефф также подчеркнул необходимость структурированных входных данных, где предположения четко формулируются и основаны на новых данных, которые еще не были моделированы. Он выступал за проактивный подход к выявлению и устранению предубеждений, пониманию мотивов, лежащих в их основе, и извлечению уроков из прошлых ошибок. Джефф считает, что хороший судебный приказ основан на опыте, который, в свою очередь, основан на плохом судебном приказе. Связываясь с предположениями и проверяя их, организации могут решать проблемы, такие как перепрогнозирование из-за недоверия в цепи поставок.

Кроме того, Джефф утверждал, что эксперты по продажам и маркетингу лучше оснащены контекстуализацией информации, чем специалисты по управлению цепями поставок. Он предложил автоматизировать ценные входные данные от этих экспертов со временем, но признал, что мы не живем в мире с бесконечными чистыми данными. Поэтому важно собирать правильные данные из различных источников, включая производство, продажи и маркетинг.

Жоанн Верморель, с другой стороны, выступил против использования FVA. Он утверждал, что FVA может быть пустой тратой времени и не всегда приводит к принятию лучших решений. Жоанн подчеркнул важность финансовой оптимизации и использования вероятностных прогнозов для автоматического принятия более обоснованных решений в сфере управления цепями поставок. Он утверждал, что слишком большая зависимость от FVA может привести к неэффективности и отвлечь от более важных аспектов управления цепями поставок.

В ходе дебатов были заданы дополнительные вопросы и свободный обмен мнениями между участниками, позволяющий им более глубоко вникнуть в свои аргументы и обсудить точки зрения друг друга. Обсуждение завершилось сессией вопросов и ответов, где аудитория имела возможность задавать вопросы в прямом эфире в чате.

В заключение, дебаты подчеркнули различные точки зрения на ценность FVA в управлении цепями поставок. Джефф Бейкер выступал за направленный и структурированный подход к FVA, подчеркивая важность извлечения уроков из опыта и устранения предубеждений. Однако Жоанн Верморель утверждал, что FVA может быть пустой тратой времени и подчеркивал необходимость финансовой оптимизации решений в сфере управления цепями поставок вместо корректировок прогнозов. Дебаты предоставили ценные идеи о сложностях прогнозирования в сфере управления цепями поставок и различных подходах к улучшению процесса принятия решений в этой области.

Полный текст

Конор Доэрти: Добро пожаловать на третью серию дебатов по управлению цепями поставок Lokad. Сегодня у меня есть удовольствие провести долгожданный дебат между Джеффом Бейкером и Жоанном Верморелем. Джефф преподает динамику управления цепями поставок в Центре транспорта и логистики MIT и является основателем и исполнительным директором компании Libra SCM. В то же время, слева от меня, Жоанн является основателем и генеральным директором компании Lokad. Он является инженером и преподавал программную инженерию в École Normale Supérieure во Франции в течение шести лет.

Теперь тема сегодняшнего дебата: “Добавленная стоимость прогнозирования (FVA): лучшая практика или пустая трата времени?” Джефф будет утверждать, что FVA, на самом деле, является лучшей практикой, в то время как Жоанн будет утверждать, что это пустая трата времени. Теперь, как можно быстрее, я постараюсь ознакомить вас с параметрами дебата, с организационными моментами, чтобы мы могли перейти к самому интересному.

Вначале будут звучать открытые выступления, продолжительностью не более 7 минут каждое. Как было согласовано заранее, первым выступит Жоанн. Затем каждому докладчику будет предоставлено 5 минут для опровержения. После этого каждый докладчик будет иметь две минуты для заключительного слова, после чего я задам несколько дополнительных вопросов. Эти вопросы можно задавать зрителям в любое время во время мероприятия в чате.

Теперь, в подготовке к дебатам, оба докладчика согласились с следующим определением: Добавленная стоимость прогнозирования (FVA) - это простой инструмент для оценки производительности каждого шага и участника в процессе прогнозирования. Его целью является устранение потерь путем удаления процессов и деятельностей любого рода, которые не способствуют увеличению точности прогнозирования или снижению смещения.

Это определение, а также полные биографии обоих докладчиков, находятся в открытом документе Google, который вы можете найти в разделе комментариев или чата с комментариями к этому видео. Во время дебатов я буду строго контролировать время выступления обоих докладчиков и вежливо напоминать им, когда у них заканчивается время, при необходимости небольшим покашливанием. Но я рекомендую каждому докладчику самостоятельно отслеживать время, чтобы знать, когда оно подходит к концу.

Почти закончили. Во время выступления каждого докладчика остальные должны сохранять полное молчание, поэтому, пожалуйста, не перебивайте друг друга, по крайней мере, во время отведенного времени. И, наконец, немного саморекламы: пока вы здесь, если вам нравятся эти дебаты и вам нравится то, что мы делаем, я призываю вас подписаться на YouTube-канал Lokad и следить за нами в LinkedIn. Итак, добавленная стоимость прогнозирования - это лучшая практика или пустая трата времени? Жоанн, пожалуйста, ваше открытое выступление.

Жоанн Верморель: Во-первых, я хотел бы поблагодарить Джеффа за то, что он согласился участвовать в этом дебате. Простыми словами, FVA - это инструмент для отслеживания увеличения и уменьшения точности. Теперь, является ли FVA лучшей практикой? Чтобы что-то считалось лучшей практикой, оно должно, по определению, отражать понимание сообщества о том, каким является наиболее эффективный способ достижения определенной цели. Однако прогнозирование само по себе не является целью, и оно не происходит в вакууме.

Прогнозирование - это инструмент, который мы используем для достижения конкретной цели. Некоторые могут утверждать, что целью прогнозирования является повышение точности. Эта позиция является предметом ожесточенных споров. По моему мнению, прогнозирование - это всего лишь еще один инструмент, который помогает нам принимать более обоснованные бизнес-решения, то есть бизнес-решения, которые приносят больше денег. Итак, вопрос в том, приближает ли FVA, измеряя увеличение или уменьшение точности, нас к достижению цели - заработать больше денег? Я не уверен, и пока что я представлю три критики, чтобы поддержать свою позицию.

Во-первых, хотя FVA изначально не была разработана для облегчения коллективного прогнозирования, FVA, по своей сути, предоставляет рамки для измерения влияния точности коллективного прогнозирования. Это важно. FVA не говорит о том, что вы должны использовать лучшие практики прогнозирования. FVA говорит о том, каково влияние точности того, что вы делаете. Почему это важно? Что является лучшей практикой в сообществе прогнозирования?

С 1980-х годов Спирос Макридакис организовал ряд публичных соревнований по прогнозированию (соревнования M), чтобы найти лучшие практики. С 2018 года, начиная с M4, эти соревнования последовательно демонстрируют превосходство алгоритмических методов. Фактически,, возможно, самый большой эксперт в области возможностей человеческого прогнозирования, Филип Тетлок, написал, что когда доступен прогностический алгоритм, его необходимо использовать. Почему? Потому что алгоритм всегда обеспечивает более высокую точность по сравнению с человеческим суждением. Этот алгоритм и, очевидно, эксперт, использующий его, являются лучшей практикой.

Таким образом, если коллективное прогнозирование и ручные переопределения не являются лучшей практикой, и это доказано, то измерение их с помощью FVA также не является лучшей практикой и, я бы сказал, пустой тратой времени. Некоторые могут сказать: “Но, Джоаннес, FVA не явно поддерживает коллективное прогнозирование или ручные переопределения”. Хорошо, но именно так оно популярно используется, даже в письмах Джеффа.

Однако моя вторая критика связана с тем, на чем основана FVA, а именно с временными рядами. FVA требует классических прогнозов временных рядов, также известных как точечные прогнозы. Как минимум, FVA рекомендует использовать наивный прогноз, просто копию последнего фактического значения в качестве базового для сравнения переопределений прогнозирования. Этот прогноз без изменений является временным рядом. Но является ли временной ряд лучшей практикой? Опять же, нет. Точечные прогнозы не только являются неполными инструментами прогнозирования, они могут быть вводящими в заблуждение, например, в ситуациях с высокой дисперсией. Это потому, что точечные прогнозы не учитывают неопределенность.

Фактически, в соревновании по прогнозированию M5 было включено отдельное испытание - испытание неопределенности, которое фокусировалось на квантильных прогнозах, в котором, кстати, приняла участие и Lokad на уровне SKU. На самом деле, уже существует гораздо лучший класс прогнозов, и это вероятностные прогнозы. В отличие от временных рядов, вероятностные прогнозы не выделяют одно возможное будущее, например, спрос на следующей неделе. Вместо этого мы рассматриваем все возможные будущие сценарии и их соответствующие вероятности. Почему это важно? Это важно, потому что определение всех возможных будущих сценариев является важным для выбора наилучшего возможного решения. Это важно, когда речь идет о финансовых рисках, что касается цепей поставок, это происходит все время.

Однако FVA несовместима с вероятностным прогнозированием. Почему? Потому что вероятностное прогнозирование означает рассмотрение вероятностных распределений, а не временных рядов. И будем честными, люди в сфере продаж и маркетинга не будут вручную редактировать вероятностные распределения с использованием или без использования FVA. Это абсолютно неприемлемо. Если временные ряды не являются лучшей практикой, и они точно не являются таковыми в области управления рисками, то использование FVA для сравнения переопределений точности также не является лучшей практикой. Я бы сказал, что это пустая трата времени.

Моя третья критика заключается в том, что добавленная стоимость прогноза не измеряет стоимость; она измеряет точность. И добавляет ли точность стоимость? Не обязательно. Более точный прогноз сам по себе не добавляет стоимости. Во многих реальных ситуациях прогноз с точностью 90% и прогноз с точностью 60% приводят к одинаковым решениям по запасам, если есть MOQs или другие ограничения. Если финансовый результат решения не меняется, то измерение прироста точности не добавляет бизнес-ценности. Таким образом, с бизнес-точки зрения абсолютно неправильно говорить, что точность сама по себе добавляет стоимость. Если это так, и это так, как можно считать, что фокусирование на точности с помощью FVA является лучшей практикой? Это не так.

Даже если вы лично не используете FVA для поддержки коллективного прогнозирования, другие это делают. FVA все еще основана на прогнозах временных рядов, которые игнорируют неопределенность, а также на идее, что повышение точности равно повышению ценности, что противоречит бизнес-установкам. Все это плохие практики, и поэтому я утверждаю, что сама FVA не может быть лучшей практикой. Это, по моему мнению, пустая трата времени. Спасибо.

Conor Doherty: У вас еще 15 секунд, Йоаннес.

Joannes Vermorel: Хорошо, спасибо.

Conor Doherty: Хорошо, большое спасибо, Йоаннес, за ваше открытое выступление. Джефф, сейчас я приглашаю вас сделать свое открытое выступление.

Jeff Baker: Да, отлично. Спасибо, Конор. Спасибо, Йоаннес. Я очень ценю возможность участвовать в этом разговоре. Очевидно, я за использование FVA в качестве лучшей практики. Это обусловлено тем, что все цепи поставок должны планировать, верно? Нам нужно принимать решения задолго до срока, возможно, за два-три месяца, чтобы установить график производства, сотрудничать с поставщиками, возможно, задолго за шесть месяцев. Нам нужен хороший прогноз, чтобы убедиться, что, знаете ли, если у нас есть небольшие изменения вместимости, возможно, штатирование, возможно, мы хотим привлечь совместного производителя. Так что нам нужно принимать эти решения на длительной временной оси, и мы действительно возвращаемся к ним.

У меня есть пара любимых цитат в сфере цепей поставок. Одна из них: “План - это ничто, но планирование - это все”. Так что нам нужно иметь этот план, чтобы оказаться в правильном положении. Теперь, моя вторая любимая цитата в сфере цепей поставок - от Майка Тайсона: “У всех есть план, пока их не ударят в лицо”. Так что это указывает на то, что мы знаем, что мы получим некоторые удары в сфере цепей поставок. Цель состоит в том, чтобы принимать наилучшее решение с наибольшим шансом успеха в исполнительном пространстве. Лучший способ сделать это - вовлечь наших функциональных экспертов. У продаж и маркетинга есть местные знания, которые можно использовать для улучшения прогноза и, следовательно, их следует включить в процесс консенсуса. Вовлечение этих экспертов в структурированной форме дает нам лучшие данные, которые нам нужны для принятия лучших решений. И FVA является эффективным инструментом для измерения эффективности этих входных данных.

Теперь, с оговоркой, да, вы, возможно, можете открыть дверь для предвзятости, но с моей точки зрения, нам нужно работать над исправлением этой предвзятости, а не полностью ее устранять. Мы должны быть кросс-функциональными. Мы проповедуем, что кросс-функциональность - это путь, который нужно выбирать уже много лет. Я не хочу вернуться к функциональным силосам, где каждый отвечает только за свое собственное решение, а не за его влияние на других. Чтобы сделать это наилучшим образом, я считаю, что вам нужно иметь направленные корректировки, снова там FVA сияет. Он дает мне те продукты, которые имеют высокую ценность, но имеют большую ошибку. В этом плодородной почве мы ищем лучшие входные данные.

Если у меня есть ожидаемое большое влияние - некий существенный неблагоприятный эффект, который наступает, или это также может быть положительный эффект - нам нужно быть в состоянии планировать это. Так что первое, что должно быть сделано, это направлять эти корректировки. Тезис, который я написал для магистерской диссертации, говорит о том, что нам нужно смотреть на направление корректировки: повышается или понижается? Какова внутренняя прогнозируемость временного ряда? Каков размер переопределения? И давайте убедимся, что, если мы собираемся добавить ценность, мы ищем существенное увеличение - мы просто не делаем мелких корректировок.

Далее идет структура. Я не позволю никому из отдела продаж или маркетинга просто дать мне произвольное число. Я буду спрашивать: какие у них входные предположения? Основано ли это на новых данных, которые мы еще не моделировали? Затем я буду копать глубже, спрашивая: это лучший сценарий? Худший сценарий? Какой наиболее вероятный сценарий? Что должно произойти? Что должно быть верным для этого сценария в будущем? Таким образом, мы пытаемся активно выявлять причины предвзятости и понимать мотивы, лежащие в их основе.

После этого мы смотрим на эти корректировки в следующем месяце и задаем себе вопрос: “Добавили ли они ценность или нет?” Что я хотел бы сказать, так это то, что хорошее суждение основано на опыте. Опыт основан на плохом суждении. Итак, мы учимся на своих ошибках. Мы связываемся с предположениями, проверяем их, и, возможно, находим что-то такое, что, оказывается, продавцы постоянно переоценивают, потому что у них нет доверия к цепочке поставок. Это не только предвзятость, это проблема доверия, и мы можем начать решать эту проблему.

Более того, они лучше контекстуализируют эту информацию, чем мы. Я не думаю, что у нас будет ученый в области цепочки поставок, который является экспертом во всех тонкостях маркетинга или прогнозирования. Я буду полагаться на этих экспертов, использовать их, чтобы они дали мне эти данные. Теперь, если со временем я обнаружу, что эти входные данные ценны, я попытаюсь автоматизировать их. У меня нет аргументов против автоматизации сбора правильных данных. Но проблема в том, что мы не живем в мире с бесконечными чистыми данными. Если есть данные о производстве, данные о продажах, данные о маркетинге, часто нам приходится активно искать их.

Если мы делаем это хорошо, то, возможно, многие из этих решений мы сможем автоматизировать. Корректировки не требуются только потому, что у нас есть процесс FVA в системе прогнозирования. Фактически, главное правило прогнозирования должно быть “не навреди”. Kraft Heinz, одна из крупнейших компаний по производству пищевых продуктов и напитков в Северной Америке, имеет показатель “процент низкого вмешательства в прогнозирование”. Как я могу быть уверен, что я не трогаю его каждый раз? Я думаю, Деминг сказал это лучше всего: “Не просто делай что-то, стой там”. Потому что он понял естественную тенденцию человека думать: “Они ждут, что я внесу вклад, мне лучше внести вклад, чтобы показать, что я занят”. Нет, это совершенно неправильный подход.

Когда мы смотрим на доказательства того, что снижение ошибки прогнозирования ценно, мы можем ссылаться на Институт бизнес-прогнозирования и планирования. Они провели опрос восьми компаний CPG и обнаружили, что при снижении ошибки прогнозирования на 1%, компании получают 1,7 миллиона долларов выгоды на миллиард долларов выручки, избегая затрат на прогнозирование. Это включает избежание скидок, транспортировки, устаревших товаров, избыточных запасов и затрат на оборотный капитал. Компании также снижают затраты на недооценку примерно на 1 миллион долларов на миллиард выручки, избегая упущенных продаж, штрафов за неполное заполнение заказов и увеличенных затрат на производство или экспедирование.

IBF видел это в своих исследованиях. Gartner также обнаружил подобные преимущества: снижение стоимости запасов на 2-7%, снижение устаревших запасов на 4-9%, снижение транспортных затрат на 3-9%. Величина этих цифр делает привлекательным стремление к улучшению точности прогнозирования, особенно в областях, где товар имеет высокую стоимость и высокую ошибку, или если мы заранее знаем, что внешние события повлияют на цепочку поставок одним или другим способом. Спасибо.

Конор Доэрти: Хорошо, спасибо, Джефф. У вас также есть 15 секунд, если вы хотите.

Джефф Бейкер: У меня 13, но я в порядке.

Конор Доэрти: Хорошо. Ну, Джефф, большое спасибо за ваше открытое заявление. На этом этапе мы перейдем к опровержению. Джоаннес, 5 минут, когда вы будете готовы.

Джоаннес Верморель: Спасибо, Джефф, за ваше открытое заявление. Я думаю, вы очень хорошо аргументируете свою позицию, хотя есть несколько моментов, которые я хотел бы прояснить. Я не оспариваю намерение людей делать что-то хорошее для компании. Я пытаюсь оспорить реальность реального результата.

Во-первых, если мы считаем точность наилучшей, ценной целью, то реальность, как я указал в своем первоначальном заявлении, заключается в том, что FVA не отражает лучшие практики прогнозирования. Если компания действительно стремится к точности, то, не делая совместных прогнозов, они фактически получат более точные результаты. К сожалению, это было доказано эмпирически.

Во-вторых, сами переопределения являются очень бюрократическим способом решения проблемы. Как только вы вводите механизм - да, люди могут сказать “не навреди” - но если вы создаете бюрократический механизм, он будет использован. FVA предполагает создание мини-бюрократии или мини-технократии с участием программных элементов. Будут люди, проверяющие, делают ли продажи и маркетинг действительно корректировки и все остальное. Итак, для меня это открывает путь к тому, что приведет к большому количеству бюрократической работы.

Потому что реальность заключается в том, что, когда вы начинаете смотреть на то, как выглядят эти прогнозы и корректировки, мы говорим о десятках тысяч временных рядов, каждый из которых имеет 50 точек или более, еженедельный прогноз на год вперед. Но это приводит меня к еще одной критике, а именно к тому, что, сосредотачиваясь только на точности, я считаю, что FVA неправильно распределяет деньги и ослепляет компании на более эффективные способы, которыми люди могут внести вклад в процесс прогнозирования. И чтобы быть совершенно ясным, я никогда не утверждал, что сотрудники отделов продаж, маркетинга и финансов не могут вносить существенный вклад в процесс прогнозирования. Я отлично понимаю, что любой соответствующий сотрудник может иметь ценную информацию в своей голове, информацию, которая может принести финансовую выгоду компании.

Однако я не согласен с идеей, что люди должны ждать, пока будет создан точечный прогноз, чтобы затем изменять его с помощью ручных переопределений для повышения точности. Это, как я уже сказал, не является лучшей практикой прогнозирования, и все же это то, что люди обычно делают с FVA. Однако есть конструктивный способ вовлечения людей в процесс прогнозирования. Это содействие в создании алгоритмов прогнозирования, которые генерируют прогноз, а затем алгоритмов, которые генерируют решения. На практике это означает помощь эксперту по прогнозированию. В Lokad это был бы ученый в области цепей поставок, который пишет и совершенствует эти алгоритмы, предоставляя свои знания и понимание предметной области. Это не означает, что каждый из отделов продаж и маркетинга должен читать вероятностные распределения и писать скрипты на Python. Вместо этого они помогают эксперту по прогнозированию действенными идеями, которые могут быть полезны, а затем эксперт переводит эти идеи в строки кода.

И, наконец, автоматизированные алгоритмы запускаются и генерируют прогноз. В конце дня эти идеи являются всего лишь информацией, и они распределены, я согласен, повсюду в компании. Однако эксперт по прогнозированию - это человек, который знает, как перевести все это в осмысленный прогноз и разумный набор решений в цепи поставок. Может быть множество отличных данных, но только эксперт по прогнозированию и только он должен решать, как использовать эти данные для создания или корректировки прогноза. Это лучшая практика, подтвержденная десятилетиями экспериментальных результатов прогнозирования. И, к сожалению, FVA не имеет места в этой схеме. Измеряя точность вместо прямого вклада в улучшение алгоритма прогнозирования, самое доброе, что можно сказать, это то, что FVA отвлекает. Я бы назвал это пустой тратой времени.

Конор Доэрти: Джоаннес, у вас еще 20 секунд.

Джоаннес Верморель: Я в порядке, спасибо.

Конор Доэрти: Хорошо, спасибо. Джефф, в данный момент я вижу, что вы улыбаетесь. Вы можете свободно ответить своим пятиминутным опровержением.

Джефф Бейкер: Кстати, вы были в режиме без звука.

Да, извините. Нет, интересная точка зрения. Я хотел бы вернуться к нескольким вещам. Во-первых, вы упомянули конкурс M5 и Макридакиса. Одно, что я хотел бы отметить, это то, что 92% этих людей проиграли очень простому алгоритму экспоненциального сглаживания. Так что есть аргумент в пользу простоты. Я думаю, есть разница между лучшей практикой и передовыми технологиями. Я хочу убедиться, что у нас есть различие, потому что у нас часто бывают случаи, когда более простое решение на самом деле лучше и более приемлемо для пользователей. С точки зрения объяснимости, если мы находимся на совещании S&OP на обзоре спроса, намного легче объяснить, как это происходит, и получить больше поддержки для этого.

Другое, о чем вы упомянули, это фокусировка на временных рядах только на одной точке. Лучшей практикой является не только предоставление временных рядов, но и предсказание интервалов, верно? И это связано с точностью. Да, лучшей практикой может быть предоставление временного ряда плюс информации о предсказательных интервалах вокруг него. Мы согласны с тем, что точечный прогноз - это информация. Точечный прогноз плюс предсказательные интервалы более ценны.

Вы упомянули, что вероятностные прогнозы несовместимы с FVA. Я думаю, если вы посмотрите один из последних выпусков журнала Foresight, вы увидите статью Стефана Де Кока о вероятностном прогнозировании и варианте этого метода, стохастическом добавленном значении, который, на мой взгляд, указывает на ценность этой методики. Я отношусь к своему методу прогнозирования с некоторым агностицизмом. Как бы я это ни делал, я хочу видеть улучшение при добавлении разных входных данных в мой прогноз. Как я его улучшаю? А также убедиться, что мы эффективно используем наши ресурсы. Этот весь компромисс между стоимостью неточности и стоимостью создания прогноза известен с 1971 года. В журнале Harvard Business Review есть статья о том, как сбалансировать стоимость слишком большого времени, затрачиваемого на создание прогноза, и точность, которую я получаю. В общем, стоит ли того? Исходя из тех чисел, которые я создаю, для компании среднего размера здесь есть много преимущества, и я могу позволить себе, чтобы некоторые люди на это посмотрели.

Я не считаю коллективное прогнозирование бюрократическим. Я думаю, что вам нужно вовлекать этих людей в процесс, чтобы они могли создавать добавленную стоимость через систему. Эти входы очень полезны. Всегда будут происходить события. Цепи поставок становятся не менее сложными, они становятся более сложными, динамичными, с большим эффектом бабочки. Именно поэтому нам нужно, чтобы люди могли контекстуализировать эту информацию и принимать лучшее решение в нужный момент времени. Поэтому с этой точки зрения это должно быть коллективным. Если я работаю в коллаборации, я всегда работаю с отделом продаж и маркетинга. Это не значит, что я пытаюсь охватить все сразу; я ищу то, что изменилось. Если я продолжаю делать это, у меня есть эта связь. Я могу получить эти входы и иметь лучшие отношения с ними.

В противном случае у меня есть случайный процесс, в котором я вовлекаю отдел продаж и маркетинга по своему усмотрению, когда мне хочется. Я могу гарантировать, что качество ваших входных данных от отдела продаж и маркетинга значительно снизится, если они не являются частью регулярно запланированного процесса. Я всегда слышу от продавцов: “Я слишком занят продажами, оставьте меня в покое”. Так что, если вы хотите получить эти входы, вам нужно вовлекать их в процесс.

Вы упомянули разрыв с реальной бизнес-ценностью. Нельзя принимать правильные решения на основе плохих данных. Аргумент состоит в том, что мне нужен более точный прогноз. Нет аргумента в пользу снижения точности прогноза. Мне нужно убедиться, что я использую наилучшие данные для принятия решений. Будет ли это прямо связано с ROI? Могу ли я рассчитать ROI одного решения в отрыве от всей цепочки поставок? Это не произойдет. Я бы хотел сказать, что это так, но мое решение с точки зрения прогнозирования полностью отдельно от функциональных решений, которые принимаются в производстве, закупках, складировании, транспортировке. Любое из этих решений может привести к низкому ROI. Моя роль - быть максимально точным. Спасибо.

Conor Doherty: Большое спасибо, Джефф. Извините, что перебил вас в конце, но я просто хотел вам напомнить.

Jeff Baker: Не беспокойтесь.

Conor Doherty: На этом этапе, спасибо, Джефф. Я обращаюсь к вам, Джоаннес. Пожалуйста, ваши заключительные замечания, две минуты.

Joannes Vermorel: Уважаемые дамы и господа, тема дебатов была: “Является ли FVA лучшей практикой или пустой тратой времени?” В ходе этого дебата вы услышали много информации, но, пожалуйста, имейте в виду несколько вещей, когда будете решать, что вы думаете о FVA. Во-первых, если вы используете FVA как часть непрерывного совместного процесса прогнозирования, понимаемого как микроуправление точками прогнозирования, это не является лучшей практикой. Ручное изменение прогноза безусловно не является лучшей практикой в сообществе прогнозирования, и, следовательно, измерение его с помощью FVA также не является лучшей практикой.

Во-вторых, FVA основан на прогнозах временных рядов. Я уверен, что где-то кто-то пытается применить его к вероятностным прогнозам, но давайте будем реалистами. FVA работает только в масштабе, если вообще работает, в сочетании с классическими прогнозами временных рядов, которые полностью игнорируют неопределенность. Это не является лучшей практикой, и, следовательно, измерение точности с помощью FVA также не является лучшей практикой.

В-третьих, по своей сути FVA предполагает, что повышение точности - это то, что стоит иметь. Это не так. Вопреки сказанному, есть случаи, когда повышение точности может нанести вред вашему бизнесу. У нас есть очень простой пример. Для прогнозирования разреженных рядов ноль очень часто является наиболее точным прогнозом, даже если прогнозирование нулевого спроса не имеет смысла. Таким образом, даже если вы не согласны со мной по всем этим аспектам прогнозирования и цепи поставок, это очевидно: FVA, по всем этим причинам и не только, нельзя считать лучшей практикой. Если это так, это очень печальное свидетельство о сообществе прогнозирования.

Conor Doherty: Большое спасибо, Джоаннес. Джефф, я обращаюсь к вам. Ваши заключительные замечания, пожалуйста, две минуты.

Jeff Baker: Хорошо, отлично, большое спасибо. Как я уже сказал, лучшее планирование приводит к лучшим решениям. Мы должны научиться планировать, мы должны научиться перепланировать, и нам нужно убедиться, что у нас есть точный прогноз. Я не думаю, что есть хороший деловой случай, когда плохие данные всегда приводят к лучшим решениям. Если у вас плохие данные и вы принимаете хорошие решения, я называю это слепой удачей. Это происходит не так часто. Там, где FVA сияет, я не пропагандирую микроуправление, я не пропагандирую полное переопределение всего. Есть примеры, когда у нас есть товары, которые имеют высокую стоимость, имеют высокую ошибку. Мы знаем, что могут произойти внешние события, которые нельзя свести к аккуратному алгоритмическому вводу. Мы должны понимать это, мы должны планировать это на необходимом временном горизонте для принятия этих решений. Любая критика FVA в основном основана на непонимании того, для чего предназначен FVA.

Я знаю Lokad, вы продаете программные пакеты. В предыдущей работе я также работал в компании по разработке программного обеспечения и реализовывал программные пакеты. Я знаю, что инструмент работает. Часто проблема заключается в реализации. Если клиент не получает то, что хочет, это проблема реализации в девяти случаях из десяти. Проблема заключается в реализации и проблеме с данными. Любая критика FVA проистекает из незнания того, как правильно его реализовать, непонимания того, как это работает и как это приносит ценность. Я приведу вам еще одну простую аналогию. Если я строю палубу на задней части своего дома и слышу, что мне следует закручивать доски в стропило, а я начинаю забивать гвозди молотком, это не сработает, и я не буду доволен. Это не означает, что проблема в молотке; это означает, что я просто не знаю, как правильно использовать молоток. Я использую неправильный инструмент для работы.

Conor Doherty: Спасибо. Извините, что перебиваю, но я должен быть строгим по времени, чтобы сохранить непредвзятость. Большое спасибо, джентльмены. Спасибо вам обоим за ваши подготовленные замечания, вашу аргументацию и вашу страсть. На этом этапе я хотел бы перейти к нескольким дополнительным вопросам. Поступают некоторые вопросы. Я сделал некоторые заметки на основе сказанного. Прежде чем мы перейдем к вопросам аудитории, я хотел бы уточнить несколько моментов, которые были подняты.

Я начну с того, что, я думаю, на самом деле, я попрошу Joannes продемонстрировать непредвзятость. Я попрошу Joannes. Итак, Джефф, в своем возражении вы упомянули афоризм “проще - значит лучше”. Я думаю, вы упомянули результаты M5 и сделали вывод, что просто потому что что-то сложное или передовое, это не обязательно делает его лучше. Итак, Joannes, ваш ответ на концепцию того, что в основном, если я могу немного разобрать это, вероятностное прогнозирование, чистое алгоритмическое моделирование, это слишком фантастично. Вам следует быть простым.

Joannes Vermorel: Реальность заключается в том, что мы выиграли на уровне SKU конкурс M5 с моделью, которая является параметрической и имеет всего пять параметров. Вот и все. Так что, да, снова, алгоритмическое не означает лучше. Фактически, Тетлок в своей книге “Суперпрогнозирование” показывает, что скользящее среднее побеждает в прогнозировании чего угодно 99% людей. Люди видят паттерны повсюду; у них есть огромная когнитивная проблема. Очень сложно справиться с шумом, поэтому вы видите паттерны повсюду, и это плохо для прогнозирования. Кстати, это то, где искусственный интеллект, такой как скользящее среднее, фактически побеждает человеческий разум в подавляющем большинстве случаев. Так что это был просто момент. В частности, вероятностные алгоритмы прогнозирования Lokad не являются особенно фантастичными. Они просто имеют странную форму, но они не супер сложные в смысле использования глубокого обучения и прочего.

Conor Doherty: Джефф, как это звучит для вас? Есть ли что-то, на что вы хотите возразить?

Jeff Baker: Единственная проблема, которую я бы имел, и я всегда за использование новейших данных и технологий - снова, я работал в компании по разработке программного обеспечения, мы продавали технологии - моя проблема заключается в том, что иногда нам не нужно усложнять вещи. Может быть, это лучше, но нам нужно убедиться, что мы получаем прирост стоимости за все, что мы делаем. Кроме того, важна объяснимость.

Для нас, находящихся в комнате, людей, заинтересованных в прогнозировании и данных, когда мы переходим к реализации, если я пытаюсь продать какой-либо алгоритмический прогноз, если у него есть проблемы с объяснимостью, мы можем столкнуться с некоторым сопротивлением, потому что люди естественно испытывают неприязнь к алгоритмам. Они будут возражать против того, что они не понимают. Многие из этих методов прогнозирования, более простые, относительно легко объяснить. Вот где я говорю, что иногда более простые методы с точки зрения производительности работают так же хорошо. Простые ансамблевые прогнозы побеждают 92% людей, борющихся за славу и богатство в конкурсе M5. Так что в этом есть определенная ценность.

Я бы также сказал, что вы не хотите перегружать какую-либо отдельную организацию. У некоторых организаций есть уровень зрелости, к которому мы должны их поднять. Для многих из них, если я смогу заставить их делать экспоненциальное сглаживание прогнозов, отлично. Ансамбли, отлично. Говорить о том, каковы предсказательные интервалы, фантастически. Нет проблем с более сложными и утонченными алгоритмами. Мы просто должны убедиться, что мы поднимаем их на основе их способности усваивать и принимать эту технологию. В противном случае, мы рискуем - и у меня уже была такая проблема - использовать смешанные линейные программы для компаний, и если они этого не понимают, они не примут это. Это мое предупреждение, когда мы пытаемся продвигать более сложные алгоритмы.

Conor Doherty: Джоаннес, есть что-то еще, что вы хотели бы добавить?

Joannes Vermorel: Опять же, я думаю, что здесь есть некоторое различие, потому что то, что я говорю, заключается в том, что сначала, когда мы делаем вероятностный прогноз, сами методы довольно просты. Любая сложность здесь заключается только в точном учете факторов. Наш альтернативный вариант FVA заключается в том, чтобы сказать, что когда у людей есть информация и они поднимают руку, это будут факторы, которые следует включить. Сам прогноз будет использовать эту дополнительную информацию только в качестве входных данных, а не в качестве переопределения результата.

У этого есть множество положительных последствий, например, если вы обновляете прогноз, людям не нужно обновлять переопределение. Проблема в том, что люди думают о нем как о переопределении, как о чем-то статичном. Но если вы переопределяете прогноз, что если на следующей неделе появится новая информация, и ваша базовая линия только что изменилась? Что вы делаете? Применяете ли вы ту же самую коррекцию, ту же самую разницу по сравнению с тем, что у вас было раньше? Есть множество сложностей, которые возникают только из-за того, что маркетинг предоставляет информацию в виде переопределения прогноза. Гораздо проще сказать: “Маркетинг, скажите нам, что мы собираемся продвигать этот продукт с рекламными затратами в таком объеме”, а затем вы учитываете это как входные данные для вашего прогноза. Вы даже можете провести обратное тестирование, добавляет ли это точности или нет. Это обратное тестирование - это то, что вы можете получить на месте; вам не нужно ждать три месяца, чтобы увидеть, принесло ли ваше ручное исправление что-то положительное или нет.

Conor Doherty: Если я могу внести свое мнение на мгновение, потому что вы затронули то, что я хотел сказать Джеффу. Что касается “проще - лучше”, продолжая вашу мысль, не будет ли теоретически проще для эксперта интервьюировать других экспертов, выявлять их идеи, а затем преобразовывать их в алгоритмическое решение, чем позволить всем, включая неэкспертов, вносить изменения в прогноз? С точки зрения простоты, что вы думаете об этом? Они одинаково просты, или одно более сложное, чем другое?

Jeff Baker: Обычно я использовал FVA в процессе планирования продаж и операций, обзора спроса, смотря на горизонт времени, который составляет три месяца вперед. У нас есть текущий месяц, текущий месяц плюс один, два. Обычно это замороженное расписание для многих компаний CPG, многих компаний. Это момент, когда вы начинаете переходить от планирования к выполнению, поэтому это S&OP против S&OE.

Когда мы находимся в этой области S&OP, мы рассматриваем некоторые из этих событий, некоторые из факторов. Мы делаем это так: если мы делаем это на агрегированном уровне, мы собираем входные данные. Если это входные данные на уровне семейства продуктов, вы можете использовать эти высокоуровневые факторы для распространения вниз. Вы можете декомпозировать некоторые из этих решений, что является общей практикой - взять высокоуровневое число и декомпозировать его до деталей.

На выполнительной стороне, если произошло значительное событие, то да, вы также можете сделать это на уровне семейства или на уровне компании, в зависимости от размера этого влияния. Я думаю, что это проще. Я не настаиваю на том, чтобы корректировать каждый отдельный SKU, потому что, как вы уже упомянули ранее, это может быть тяжелым бременем. Но если есть серьезные последствия, нам нужно вносить эти корректировки.

В этом планировании, в этом перепланировании, возвращение к плану - это ничто, планирование - это все. Эта идея перепланирования, повторного рассмотрения, если мы делаем это в процессе S&OP раз в месяц, у нас есть все принимающие решения лица в комнате. Мы делаем это раз в месяц, и мы также начинаем сосредотачиваться на том, что уже есть в модели, какая новая информация и как мы включаем эту новую информацию. Фактически, один раз я почти встал и аплодировал во время совещания по обзору спроса, когда руководитель по продажам, вице-президент, был в комнате, и он говорит: “Хорошо, какая новая информация у нас есть об этом?” Никакой новой информации. “Хорошо, статистический прогноз, прогноз алгоритма остается в силе”, и все. В этом не было много бюрократии.

Я думаю, что это идеальный способ сделать это, если только нет каких-то действительно больших событий, о которых мы знаем. Но тогда, если вы являетесь ученым в сфере цепей поставок, вам нужно самостоятельно искать такую ​​информацию. В то время как, согласно моему предложению, сотрудники по продажам и маркетингу приходят на совещания, зная, что им нужно рассказать мне о новом, о том, что изменилось, о том, что не было в предыдущих месячных предположениях. Мы стараемся сделать это как можно быстрее. Для крупной фирмы по производству потребительских товаров вы можете быстро пройти через это на уровне семейства.

Conor Doherty: Спасибо, Джефф. Что-нибудь добавить, Йоаннес?

Joannes Vermorel: Не слишком много, но чтобы быть кратким, причина, по которой мы настоятельно рекомендуем, чтобы эксперт получал информацию, а не вносил изменения в прогноз, заключается в том, что практически всегда информация не соответствует бизнесу компании по гранулярности. Они говорят: “О, у нас есть этот конкурент, который обанкротился”. Нет ясного соответствия между этим конкурентом и тем, что он делает. Это не один к одному. Существует проблема, связанная с тем, какие продукты подвергаются влиянию в каждой категории.

Идея, что информация может поступать в голову человека из отдела продаж или маркетинга и т. д. как “Окей, эта информация может найти соответствующий временной ряд для переопределения”, почти никогда не работает. Просто найти то, что именно нужно изменить, сложно. А что насчет всех других источников неопределенности? Когда Lokad работает с компанией с помощью прогнозных моделей, у нас есть легко полдюжины прогнозных моделей - одна для спроса, да, но также для сроков поставки, производственных выходов, будущей цены поставщиков, предварительного прогноза волатильности цены конкурентов и т. д.

Когда вы говорите о FVA, проблема заключается в том, что у него также есть проблема несоответствия гранулярности информации, которой вы располагаете, и временного ряда. Он просто ставит спрос на пьедестал, в то время как у вас может быть множество других неопределенностей, которые нужно прогнозировать. Существует также информация, такая как “Окей, этот поставщик полностью перегружен, сроки поставки просто взорвутся”. Это должно отражаться в алгоритме прогнозирования сроков поставки.

Jeff Baker: Да, я не спорю с вами в том, что да, есть вещи, на которые мы должны обратить внимание в цепи поставок. Я никоим образом не рекомендую сосредотачиваться на FVA и забывать о просмотре сроков поставщиков или чем-то подобном. Это неправильно. Мы должны сосредоточиться на том, каков спрос, с эффективной точки зрения, какой мой лучший спрос, верно?

И мне также нужно знать все эти другие вещи о моей стороне поставок. Мы должны делать и то, и другое, верно? И да, полностью согласен. Нам нужны сроки поставки, вариация сроков поставки, нам нужно понимать производство, когда оно может быть приостановлено, ценообразование поставщиков, мы также должны знать это. Так что у меня нет споров. Единственный аргумент, который у меня есть, - я не говорю сосредотачиваться на FVA и забывать о других вещах.

Conor Doherty: Хорошо, у нас есть еще вопросы от аудитории, к которым я вернусь. Есть еще один последний момент, который был поднят, и я хочу его обсудить. Сначала я попытался сформулировать справедливо, Джефф, так что просто подтвердите, если я сформулировал справедливо. Но затем я хочу задать вам вопрос, Йоаннес. Джефф, в своих заключительных замечаниях вы заявили, что существуют элементы, которые нельзя свести к алгоритму. Это справедливая сводка того, что вы сказали? Существуют determinate элементы, я думаю, что это была низкая прогнозируемость, на которую нельзя просто полагаться на алгоритмическое решение?

Jeff Baker: Да, и это связано с тем, что события не повторяются.

Conor Doherty: И подразумевается, что они требуют ручного вмешательства, ручного ввода.

Jeff Baker: Некоторая контекстуализация факта наличия события. У меня нет ничего, с чем я могу его моделировать, но мне придется принять решение. Я буду использовать эксперта, чтобы помочь мне в этом.

Conor Doherty: Йоаннес, ваше мнение по этому поводу? Потому что мне было очень интересно услышать ваше мнение.

Joannes Vermorel: Вот где я упомянул эксперта Филиппа Тетлока в своем аргументе. Он написал книгу под названием “Суперпрогнозирование” и оценил возможности человеческого прогнозирования с помощью проекта, который продолжался десятилетие и назывался Проектом Хорошего Суждения. Он был финансируемый IARPA, разведывательным аналогом американского DARPA.

Они обнаружили, что люди, которые были хорошими прогнозистами для этого интуитивного способа прогнозирования вещей, для вещей, где у вас нет алгоритмического рецепта, их немедленным выводом было то, что когда есть алгоритмический рецепт, это лучше. Когда его нет, хорошо, возвращаемся к людям и высокоуровневым суждениям. Но то, к чему они пришли, и это одно из заключений книги, заключается в том, что суперпрогнозисты, то есть люди, которые достигают постоянно превосходной точности прогнозирования, на самом деле создают микро-алгоритмы, адаптированные к конкретному случаю. Вот и все. И когда люди способны делать это, точность значительно повышается. Речь идет о повышении точности на 30%, даже в случаях, когда оценка является крайне сложной, например, вернется ли бывший президент Сирии к власти в ближайшие пять лет? Просто вопрос, на который очень сложно ответить.

Так что основная идея заключается в том, что, если мы вернемся к этим заключениям, это снова подтверждает идею о том, что когда есть информация, необходимо, чтобы человек, обладающий этой информацией, преобразовывал ее в количественное утверждение о прогнозе компании. Вот что я говорю. И вот почему я думаю, что там, где FVA и практика таких ручных переопределений ошибаются, это то, что в Lokad мы подходим к этому так, что кто-то дает нам информацию, сырую информацию, а затем, если у нас есть элемент, который находится из ниоткуда, то нам нужно придумать своего рода мини-числовой рецепт, который преобразует это в число.

И интересно то, что вам необходимо не только придумать его, но и задокументировать. Вам нужно объяснить логику, даже если это три предложения, которые просто говорят: “Хорошо, я делаю это, умножаю это на это, применяю коэффициент и скидку”, что-то очень простое, похожее на рецепт приготовления. Опять же, если мы вернемся к “Суперпрогнозированию”, этой книге, именно так люди-суперпрогнозисты, которые достигают превосходных результатов прогнозирования без использования алгоритмов, делают. У них есть явный числовой рецепт, который делает их процесс улучшаемым. Так что это не просто информация, вам нужно иметь процесс, который можно повторять и улучшать, чтобы преобразовывать эти идеи в числа. Это не должно быть магией в голове людей.

Джефф Бейкер: Нет, я полностью согласен. Мы заставляем людей документировать свои предположения. Кроме того, если бы у вас была возможность использовать большую языковую модель искусственного интеллекта для команды по продажам или маркетингу, это было бы фантастически. Потому что это одно из пристрастий - вы спрашиваете людей, вы пытаетесь получить их мнение, и иногда они помнят что-то, иногда они не помнят что-то. Мы часто возвращаемся к данным и говорим: “Хорошо, когда мы повысили цены? О, прошел год, возможно, первый рост, вызванный повышением цен, уже исчез”. Я полностью поддерживаю автоматизацию этого, если это возможно. Вам нужно вести разговор с людьми и начать это делать. Это должно стать их образом жизни, потому что сейчас во многих компаниях есть такие случаи. Так что я думаю, да, вы должны начать этот путь.

Конор Доэрти: Хорошо, теперь я перейду к некоторым вопросам, которые поступили от аудитории. Так что я думаю, я спросил вас первым в прошлый раз, Джефф, это вопрос для вас обоих, но я начну с вас. Это от Николаса. Как можно управлять ситуацией, когда поступает слишком много информации, принуждая статистические модели часто меняться, даже если есть S&OP? Как можно эффективно сбалансировать давление от маркетинговых и финансовых команд?

Джефф Бейкер: Итак, вопрос заключается в том, если от продаж и маркетинга поступает много разной информации?

Конор Доэрти: Да, в основном, если поступает волна информации, как вы справляетесь с этим, особенно если это приводит к частым изменениям статистических моделей с множеством переопределений, например. Хотя я добавил эту скобку сам.

Джефф Бейкер: Хорошо, так сама статистическая модель не будет изменена. Итак, мы говорим о статистической прогнозной модели, основанной на временных рядах, а затем о переопределениях от продаж и маркетинга. Мы не говорим о…

Конор Доэрти: У меня сейчас нет Николаса с собой, извините.

Джефф Бейкер: Хорошо, в таком случае, вам нужно принять решение на горизонте времени, верно? Так что если мне нужно сделать прогноз на три месяца вперед, чтобы установить график производства, последовательность запуска для планирования конечных возможностей, то да, нам нужно иметь практику, чтобы не приходить в последнюю минуту с новой информацией. Одна из вещей, которую я настоятельно рекомендую с точки зрения производства, это нарушения замороженного времени, чтобы обучить команду по продажам. Привет, сюрпризы в текущем месяце и текущем месяце плюс один, они не приветствуются. И это культурная вещь, верно? И вот как я бы с этим справился. Я имею в виду, один случай, когда продавец пришел и сказал: “Эй, у нас есть этая большая сделка”, и они подождали до последней минуты, чтобы сообщить производству. Это нехорошая сделка, верно? Вы только что стоим нас довольно больших денег.

Идея замороженного времени, когда вам нужно принять решение в этом временном интервале, это должно быть вашим лучшим решением, и понимать, что мы будем планировать на основе этого и не удивлять нас. Вот как я бы справился с такой волной. Фактически, одна из метрик S&OP, которую я люблю, это нарушение замороженного времени. Это как часто мы вынуждены перепланировать наших производственных работников только потому, что вы подождали до последней минуты, чтобы сообщить нам о новой продаже.

Конор Доэрти: Спасибо, Джефф. Йоаннес, есть ли у вас мысли по этому поводу? Кроме того, не стесняйтесь включить в свой ответ, как бы эксперт в рамках вашей методики справился с большим количеством внезапных идей от разных людей?

Йоаннес Верморель: Во-первых, подход Lokad заключается в том, чтобы автоматизировать все. Так что для нас, знаете, это именно та ситуация, когда сначала вам нужно иметь пропускную способность для этого. И вы видите, вот что интересно в автоматизации всего. По определению, у ученого по цепям поставок есть много пропускной способности, чтобы реагировать на исключительную ситуацию. Это обычно не так в ситуации, когда у людей уже все время занято рутиной. Так что это первое.

Второе заключается в том, что нестабильность прогнозирования является характеристикой классических прогнозов временных рядов, точечных прогнозов. Так что вы добавляете немного информации, и вещь просто прыгает вверх и вниз, потому что, согласно вашей метрике точности, это то, что вам следует сделать, чтобы быть максимально реактивным, чтобы быть наиболее точным. Очень часто у вас есть такой компромисс: если вы хотите быть достаточно точным, вам нужно очень быстро улавливать изменения, и это делает прогноз очень непостоянным. Здесь, если вы выбираете вероятностное прогнозирование, оно имеет тенденцию устранять проблемы непостоянства, потому что у вас уже есть вероятностное распределение, которое некоторым образом размыто. Так что, факт того, что вы наблюдаете выброс и тому подобное, у вас все равно есть это размытое вероятностное распределение. Нет крупного скачка в разбросе массы вероятностного распределения.

Также проблема непостоянства прогноза, даже если мы выбираем точечные прогнозы, которые могут быть радикально изменены, заключается в том, почему люди не любят скачки в прогнозе? Ответ в том, что потому что прогнозы повторно обрабатываются вручную, с ручными переопределениями, ручными пересмотрами и тому подобным. Так Lokad не делает. Прогноз автоматизирован, решения автоматизированы. Так что когда прогноз меняется, решения автоматически и немедленно отражают новое состояние, учитывая тот факт, что вы можете быть финансово привязаны к определенному курсу действий. Так что, да, спрос изменился, но вы уже произвели запасы. Так что теперь, даже если спрос не соответствует вашим ожиданиям, вам все равно нужно как-то реализовать, продать этот запас. Так что вы видите, что автоматизация упрощает и в значительной степени устраняет проблемы, связанные с тем, когда информация добавляется. Информацию можно добавлять в любое время, и как только она становится доступной, она учитывается.

Джефф говорил о культуре. Интересно то, что это немедленно вознаграждает людей за предоставление информации, потому что буквально в тот же день, когда они добавляют свою информацию, она проверяется. На следующий день все графики производства направляются. Графики производства, распределение запасов, отправка, заказы на закупку, все немедленно отражает эту информацию, которая была предоставлена только вчера. Так что для людей это видно как способ развить культуру предоставления информации вперед. Они должны видеть, что когда они предоставляют информацию, в течение нескольких часов она отражается на каждом уровне в каждом принятом решении. Вот как можно сделать это очень осязаемым, а не просто сказать им: “Вернитесь через месяц, и тогда мы рассмотрим возможность начать рассматривать вашу информацию”.

Конор Доэрти: Спасибо, Йоаннес. Джефф, я определенно хочу услышать ваши мысли по этой последней части, потому что я вижу, что это отзывается хотя бы немного.

Джефф Бейкер: Да, да. Я имею в виду, для меня это звучит как рецепт для эффекта кнута, верно? Вы говорите, что я собираюсь бросить туда любую малейшую информацию, я ценю отзывчивость и техническую возможность немедленно отражать лучшее решение. Проблема заключается в том, что мы уже приняли множество таких решений. Если я составил свое расписание и, скажем, я делаю овсянку, и у меня есть обычная овсянка, затем овсянка с корицей, у меня есть корица и яблоко, а затем я делаю корицу, яблоко и грецкий орех. Ну, у меня теперь аллергия. Между этими изменениями есть огромные затраты на переход. Теперь, если вы вмешиваетесь и мне нужно немедленно нарушить это расписание, это огромные финансовые затраты, потенциальные финансовые затраты. Если вдруг мне нужно быстрее заказать больше сырья, у меня будет эффект кнута на моего поставщика.

Итак, есть некоторые преимущества стабильности. Фактически, сейчас идет много интересных разговоров о том, существует ли ценный и стабильный прогноз, не самый точный, но точный плюс стабильный, потому что стабильность имеет некоторые преимущества в цепи поставок. Так что, я имею в виду, это область, в которой мы только начинаем проводить исследования, но это говорит о том, что многие из этих решений должны быть приняты. Мы как бы закрепились на определенной позиции, и все будут смеяться, когда я скажу, что это замороженный прогноз. Все знают, что это не совсем замороженный прогноз. Хорошо, мы все знаем, что это не замороженный прогноз, но изменение решений имеет финансовые последствия.

Так что, хотя технически я думаю, что здорово, что мы можем отражать “Эй, теперь это лучшее решение”, я думаю, что нам нужно смягчить это тем, что если мы меняемся на основе всего, что поступает, это будет связано с некоторыми затратами. Это может быть вполне приемлемо для некоторых цепей поставок. Если у меня есть отзывчивая цепь поставок, может быть, нам все равно. Может быть, это мир, в котором мы живем. Если у нас есть эффективная цепь поставок, где изменения являются дорогостоящими и сложными, вот где я вижу проблему.

Joannes Vermorel: Я понимаю. Я имею в виду, в Lokad, очевидно, моделирование стоимости изменений - это то, что мы делаем. Каждое распределение ресурсов, если оно отклоняется от предыдущего, мы моделируем это в стоимости. Это очень просто. Так что, вещь не будет меняться, если стоимость изменений превышает ожидаемые выгоды. Для меня это похоже на то, что люди обычно подходят к изучению крайне бессмысленных числовых рецептов и говорят: “О, смотри, это проблема”.

Например, у нас есть решение, которое наивно полностью зависит от прогноза, без учета текущих обязательств и т. д. Это крайне наивно. Очевидно, вам нужна часть числового рецепта, чтобы решение реализовывало любую стоимость изменений и все виды затрат. Их много. И вот тут блеснет прогнозирование с использованием вероятностей. Оно дает вам еще больше. Вы учитываете тот факт, что если вы принимаете это решение сейчас, вам придется пересмотреть его в будущем? Потому что, снова же, если у вас есть точечный прогноз, по определению вы предполагаете, что уже знаете будущее. Так что ваша модель не позволяет вам автоматически учитывать то, что ваш прогноз может быть неправильным. Но с вероятностными прогнозами это дано. Прогноз уже говорит вам, что спрос может быть в любом месте в этом диапазоне, и у вас есть вероятности. Так что, при оптимизации решения вы будете вычислять не только стоимость изменений, если они есть, но и то, что изменение может понадобиться в будущем.

Conor Doherty: Что ж, джентльмены, я снова помню о времени, и у нас еще как минимум четыре вопроса, которые нужно рассмотреть. Но в духе равноправия я задам следующий вопрос вам, Джефф. Будет ли FVA хорошим подходом для смягчения давления на корректировку статистических моделей для достижения бюджетных ожиданий? Вторая часть вопроса: как специалист по данным цепи поставок может справиться с политикой и иерархией, столкнувшись с такими проблемами? И Джефф, я обращусь к вам за комментарием.

Извините, я должен был задать этот вопрос Джоаннесу. Извините. Будет ли FVA хорошим подходом для смягчения давления на корректировку статистических моделей для достижения бюджетных ожиданий? И как специалист по данным цепи поставок может справиться с политикой и иерархией, столкнувшись с такими проблемами? И Джефф, я обращусь к вам за комментарием.

Joannes Vermorel: Опять же, это проблема точечных прогнозов. Точечные прогнозы предполагают, что вы знаете будущее. Так что, если вы знаете будущее, все, план, все - это вопрос оркестрации, и ваш прогноз говорит вам о бюджете, который вам нужен для всего. И это неправильно, потому что, во-первых, прогнозы содержат неточности, и вы полностью игнорируете неопределенность.

Точечный прогноз жестко привязан к определенному бюджету. Это абсолютно не является лучшей практикой. Но если мы перейдем к миру вероятностных прогнозов, то вдруг все эти проблемы исчезнут. У вас есть возможные будущие сценарии, и тогда можно рассмотреть все расходы по бюджету. Если вы скажете мне, что у вас есть такое количество ресурсов, то вы будете искать, как распределить эти ресурсы, чтобы получить максимальную отдачу согласно этим вероятностям будущего.

И, кстати, у нас есть пример этого. Если люди хотят получить таблицу, они могут посмотреть приоритизированное пополнение запасов на нашем веб-сайте. Это электронная таблица Excel, которая демонстрирует, что с помощью вероятностного прогноза вы можете выбрать любой бюджет и получить наилучший результат для вашего бюджета. Опять же, это проблема точечных прогнозов, которые являются дефективной парадигмой. Классические временные ряды также являются дефективной парадигмой, и вы сталкиваетесь с множеством проблем, которых не было бы, даже концептуально, если бы вы не были привязаны к дефективной парадигме.

Джефф Бейкер: Просто одна мысль о дефективной парадигме, которая работает очень хорошо для многих компаний уже десятки и десятки лет. Так что я бы не назвал ее дефективной. Что касается бюджета, вы знаете, прогноз и бюджет - это большая проблема, потому что бюджеты являются амбициозными, верно? Лучшее, что мы можем сделать, и снова, это с точки зрения продаж и операций, я всегда прошу своих клиентов делать прогноз на 18 месяцев вперед. Так что, догадайтесь, середина 2025 года, мы уже начали смотреть на 2026 год. Мы можем понять, каким будет наиболее вероятный вид 2026 года.

Затем вы можете добавить свои амбициозные цели поверх этого. Нет проблем с этим, но затем вы заставляете вести разговор: что должно произойти, чтобы мы увеличили наши продажи на столько-то, уменьшили наши затраты на столько-то, верно? Это часть разговора. Так что лучший способ сделать это - основать свой бюджет на надежном статистическом прогнозе или любом согласованном прогнозе на будущее. Основывайте свой бюджет на этом. Затем, если у вас есть отклонения от этого, также имейте планы по продажам, маркетингу и производству, чтобы устранить эти разрывы. Худшая практика, надеюсь, все согласятся с этим, - это подход “башня из слоновой кости”. Вот что у нас есть бюджет, финансы его вносят, и это напоминает мне старые задачи по исчислению, где вывод оставлен пользователю, и мы думаем: “О, как мы это сделаем?” Так что это худшая практика - просто вставить эти значения.

Так что, я думаю, это способ убедиться, что ваш исходный бюджет основан на реальности с планами по достижению целей. Затем второе, что я говорю, FVA идеально подходит для этого. Вот что у нас есть статистический прогноз. Бюджет, к нему нельзя применить FVA, верно? Это амбициозно. Но вы указываете, где есть разрывы, и заставляете вести разговор о том, как их устранить. Да, я думаю, все мы согласимся, что еще одна абсолютно худшая практика - это когда прогноз равен бюджету. Это бы свело меня с ума.

Конор Доэрти: Хорошо, спасибо, Джефф. Я перейду к следующему комментарию, следующему вопросу, извините, и этот вопрос напрямую к Йоаннесу. Это от Тимура, я полагаю. Я нахожу FVA полезным, но иногда ограниченным в своем применении. Вы согласны с метафорой Джеффа, что FVA похож на молоток, или вы видите это по-другому?

Йоаннес Верморель: Я имею в виду, да. Я не совсем уверен. Моя критика FVA действительно не заключается в том, что это молоток. Это действительно связано с тем, что я считаю, что он работает в рамках неправильных парадигм. Это странно и связано с неправильными парадигмами. Опять же, временные ряды, классический точечный прогноз, тот факт, что он основан на точности, а не на измерениях в процентах ошибки или долларах ошибки. Вы видите, здесь есть множество парадигматических проблем, и именно об этих проблемах я говорю, называя их дефективными. Я подтверждаю свою точку зрения по этому вопросу. То трение, с которым компании сталкиваются на практике, является проявлением всех этих проблем.

Если вам нужны анекдотические доказательства того, что эти парадигмы несовершенны, то начиная с 1970-х годов теория цепочки поставок обещала полную автоматизацию этих процессов принятия решений. Кстати, Oracle в 70-х годах предлагала полностью алгоритмическое управление запасами. Это не произошло, и это неоднократно терпело неудачу. Мой посыл состоит в том, что, на мой взгляд, и у меня есть много аргументов в поддержку этого, это отражает тот факт, что парадигмы, математические инструменты, инструменты просто неправильные. Так что вы сталкиваетесь со всевозможными странными проблемами. Вернемся к этой аналогии с молотком, да, иногда кажется, что вы пытаетесь затянуть винты молотком. Не то чтобы молоток был плох сам по себе; просто вы пытаетесь сделать что-то, для чего молоток не является подходящим инструментом.

Conor Doherty: Джефф, если у вас есть комментарий, я дам вам возможность его оставить.

Jeff Baker: Нет, кроме того, что аналогия, которую я сделал о молотке, заключается в том, что вы должны правильно использовать инструмент. Итак, FVA - это инструмент. Если вы не используете инструмент правильно, вы не получите от него пользы. Это была моя аналогия.

Conor Doherty: Спасибо. Я продолжу. Это вопрос от Марины. Здесь нет ясного указания на то, для кого это. Поэтому я обращусь к Джеффу первым. С развитием искусственного интеллекта и возможностью иметь всю доступную информацию в ближайшем будущем, вы считаете, что FVA станет более эффективным или даже необходимым?

Jeff Baker: Более эффективным или более необходимым? Это интересный вопрос. Я думаю, что по мере того, как искусственный интеллект становится все более распространенным, с большим количеством данных, нам нужно научиться контекстуализировать и принимать решения на их основе. Вы можете представить себе ситуацию в далеком будущем, когда мы сможем контекстуализировать всю эту информацию, поместить ее в большие языковые модели и, как вы сказали, Джоаннес, начать систематизировать все это. Это потенциально может привести к тому, что FVA будет принимать все эти решения, и они будут отличными.

Возможно, тогда у вас останутся только очень редкие случаи значительных событий, например, когда конкурент выходит из бизнеса или проводит промо-акцию в то же время, когда экономика переживает спад, а сезонность увеличивается. Возможно, вы сможете начать получать такую информацию. Так что я думаю, что, возможно, будут некоторые низко висящие плоды, где искусственный интеллект будет фантастически эффективен в обработке всех этих данных, понимании взаимосвязей и также понимании шума, который существует, и того, что является ценным, а что нет. Так что я могу представить, что в будущем он может даже стать немного менее ценным, поскольку мы начнем автоматизировать.

Conor Doherty: Хорошо, спасибо, Джефф. Джоаннес, искусственный интеллект и FVA, будущее: да, нет, хорошо, плохо?

Joannes Vermorel: Я думаю, что снова нам нужно отойти от искусственного интеллекта. Давайте рассмотрим, что в терминах информации системы транзакций содержат гигабайты информации. Я имею в виду, гигабайты, если хотите быть очень точными. Данные транзакций - это гигабайты информации. Люди, в сравнении, имеют килобайты информации. Люди не такие, знаете ли, они не ментаты, как я бы сказал в серии “Дюна” для тех, кто любит это. Так что это означает, что 99% проблемы правильного принятия решений заключается в том, чтобы взять массу информации о малозначимых транзакциях, которую у вас есть, и сгенерировать решения на основе этой информации. Это составляет 99% объема информации здесь.

Для этой части проблемы, которая заключается в обработке числовых данных, представленных в табличной форме, я не вижу большого значения в использовании больших языковых моделей. Да, они могут быть очень эффективными инструментами для написания кода, чтобы вы могли использовать инструмент для написания кода за вас. Это одно. Но могут ли они делать больше или что-то другое, кроме написания кода? Это становится очень неясным.

Теперь, когда речь идет о килобайтах информации, которую люди имеют в своих головах, они могут использовать ее для преодоления разрыва и перевода ее во что-то количественное? Я бы сказал, да, но вызов все еще заключается в том, чтобы создать эту вещь от начала до конца, эту конвейерную линию для автоматизированной предиктивной оптимизации. Это настоящий вызов, и здесь мы испытываем пределы человеческого интеллекта, чтобы сделать это правильно. Так что я не вижу в ближайшем будущем, что у нас есть искусственный интеллект, который действительно способен делать это больше, чем, скажем, компания по искусственному интеллекту, заменяющая Microsoft, создавая искусственный интеллект, переписывающий версию Microsoft Word. Это такой случай, когда искусственный интеллект может помочь вам написать код, но все равно потребуется много человеческого интеллектуального наблюдения, по крайней мере, с текущей парадигмой, которую мы имеем с LLM. Они еще не суперинтеллектуальны.

Conor Doherty: Впрочем, у нас еще остались два вопроса. Так что, Джефф, если хочешь, мы можем сразу перейти к следующему.

Jeff Baker: Отлично.

Conor Doherty: Спасибо. Этот вопрос для вас. Я начну. Это от Марка. Как можно эффективно перевести доверительные интервалы прогноза в одно дискретное число, такое как покупка или заказ на работу? Будет ли лучшим подходом пост-прогнозный анализ для определения этого числа?

Jeff Baker: Да, знаете, у меня нет проблем с вероятностным прогнозированием или интервалами, но в конечном итоге вам нужно ввести число в вашу систему ERP, в вашу систему планирования. Вам нужно сделать выбор числа. Теперь, где происходит интересный разговор, это вариация этого числа. Насколько моя система устойчива? Что произойдет, если она увеличится, скажем, на 20%, 30% и так далее? Но это становится сценариями, которые можно начать исследовать, верно? Так что, это был бы мой ответ.

Conor Doherty: Спасибо. Йоаннес, есть что-то, что вы хотите добавить?

Joannes Vermorel: Да, снова, если вы считаете, что вам нужно подойти к проблеме с парадигматической точки зрения, где вам нужно принять решение о количестве запасов, и, следовательно, прогноз должен быть числом, то у вас возникает проблема, что неопределенность не существует. Она не может существовать. И вот почему люди, снова возвращаясь к этой неправильной перспективе, подходят к проблеме с вопросом: “Что делать с этими доверительными интервалами? Что я с ними делаю? О, мне нужно подумать о числе”. И это парадигматическая ловушка. Вы попадаете в ловушку дефективных концепций.

Так что, если вы подходите к проблеме с текущей парадигмой, где прогноз спроса дает вам прямое число для принятия решения о запасах, единственный способ решить ее - сохранить даже в решении тот факт, что решение отражает все возможные сценарии. Вы не выбираете число для запасов; вы выбираете конкретный спрос. Нет, ваше решение о запасах должно отражать все возможные сценарии с приоритетами и выражать различные риски в денежных терминах. Так что это другой способ думать об этом. И вернувшись к вопросу, если вы остаетесь в парадигме временных рядов, вы не знаете, что делать с вашими доверительными интервалами. Они не вписываются в систему.

Джефф Бейкер: Я бы сказал, что вы точно знаете, что делать с этими доверительными интервалами, потому что если у меня есть ошибка прогноза на мой срок, это учитывается при расчете резервного запаса. Независимо от того, согласны вы с этим или нет, существуют четко определенные расчеты резервного запаса, учитывающие изменчивость спроса и изменчивость срока поставки. Итак, если мы учтем это, у нас теперь есть, и снова, я не хочу раздувать это и отклоняться в сторону теории управления запасами, но существуют статистические расчеты резервного запаса, которые с удовольствием берут точечный прогноз вместе со стандартной ошибкой вашего прогноза на срок и дают вам число резервного запаса. Мы можем спорить весь день о том, какое распределение это имеет и является ли нормальным распределением правильным, но именно таким образом отклонение в ошибке прогноза учитывается в большинстве компаний, в которых я работал, и большинстве компаний, о которых я слышал на конференциях.

Конор Доэрти: Давайте перейдем к последнему вопросу. Как модели машинного обучения должны учитывать корректировки для известных событий, таких как появление нового крупного клиента, которые не включены в причинные факторы статистического прогноза? Джоаннес, начнем с вас.

Джоаннес Верморель: Итак, здесь мы снова касаемся проблемы работы с информацией, где у вас нет четкой алгоритмической структуры, и вы не можете призвать машинное обучение как модное слово, чтобы сказать: “О, технология сделает что-то для меня здесь”. Здесь мы вступаем в область неформального прогнозирования. Для аудитории я настоятельно рекомендую книгу Филиппа Тетлока под названием “Суперпрогнозирование”. Если у вас нет четкой отправной точки, что вы делаете?

Машинное обучение не дает ответа на этот вопрос. Машинное обучение, по крайней мере классическая парадигма машинного обучения, которая является обучением с учителем, ввод-вывод, вообще не дает ответа на этот вопрос. Я действительно считаю, что если вы прочитаете, что сделал проект Good Judgment и какие техники они разработали, они разработали техники более высокого интеллекта. Что я имею в виду под высоким интеллектом - это то, что для применения этих техник мы смотрим на нечто, что проявляет ту же самую нечеткую интеллектуальность, что и LLM или выше.

Они выявили техники, общаясь с суперпрогнозистами, людьми, которые являются пионерами и продемонстрировали превосходные навыки прогнозирования в такой ситуации, и они посмотрели, какие техники были общими у всех этих людей. Удивительно, все они пришли к одному и тому же набору техник. Короче говоря, есть техники, но для их применения требуется много суждения. Исходя из этих эмпирических результатов, я не думаю, что в такой ситуации можно обойтись только алгоритмом машинного обучения.

Вам нужно построить дело, немного похожее на деловой случай в бизнесе, где вам приходится разрабатывать свои собственные предположения, разбивать случай на составные части, оценивать различные факторы и пытаться прийти к чему-то разумному. Но использование слова “разумный”, что это формально означает? Это очень сложно, и тем не менее люди могут фактически рассмотреть обоснование и согласиться с ним.

Так что, я бы сказал, не ожидайте, что классическое машинное обучение будет ответом. LLM, возможно, будет поддерживающим инструментом, чтобы помочь вам построить такое рассуждение, конечно, чтобы обсудить, как разложить и количественно оценить различные факторы в проблеме. Но в конечном итоге это будет эксперт-прогнозист, который действительно рассмотрит это и примет решение о численной моделировании по ситуации. Это была бы лучшая практика, по крайней мере, на основе этих эмпирических исследований проекта Good Judgment.

Конор Доэрти: Джефф, ваше мнение?

Джефф Бейкер: Да, я имею в виду, что нам нужно быть осторожными слишком много этого. Будь то машинное обучение, искусственный интеллект, слишком много всего, верно? Потому что тогда мы можем начать путать корреляцию с причинностью. Одним из классических учебных опытов, который я получил во время одного из моих занятий, была модель множественной регрессии. Мы продолжали добавлять факторы, добавлять факторы, соответствие становилось все лучше и лучше. Мы добавили цену, и вдруг, догадайтесь что? Если я увеличу цену, я увеличу продажи, верно? Полностью контринтуитивно. Причина была явно неверной, но корреляция была лучше.

Итак, нам нужно быть очень, очень осторожными с этим, потому что в какой-то момент мы начинаем моделировать шум. Мы начинаем задавать вопросы, является ли это машинным обучением или искусственным интеллектом. Проблема в том, что с искусственным интеллектом он будет отвечать со всей самоуверенностью пятилетнего ребенка, который верит в Зубную Фею. Именно это происходит. Поэтому нам нужно быть осторожными. И в этом я согласен с Джоаннесом. Вам нужно контекстуализировать это, найти эксперта, который сможет это понять. Не пытайтесь создать идеальную модель, потому что в какой-то момент ваши результаты не будут соответствовать вашим ожиданиям.

Conor Doherty: Ну, в данный момент, джентльмены, из аудитории больше нет вопросов. Но один последний вопрос, который может служить заключительным, завершающим аккордом. Сначала я обращусь к Джеффу. Тема дебатов была FVA: является ли это лучшей практикой или пустой тратой времени? Теперь, вы оба слушали друг друга почти 80 минут. Джефф, как вы относитесь к этому предложению сейчас? Слушая вас, как вы высказываете свои аргументы и опровержения Джоаннесу, вы кажетесь довольно благожелательным и принимающим несколько из аргументов, которые делает Джоаннес. Меня просто интересует, как вы согласуете то, что Джоаннес может быть прав в некоторых или всех или многих своих аргументах? Как вы согласуете это с тем, что FVA по-прежнему является лучшей практикой?

Jeff Baker: Да, да. Я ценю этот открытый обмен идеями, и я думаю, да, я все еще могу утверждать, что в настоящее время Forecast Value Added является лучшей практикой. Нам это нужно сейчас.

Барина задала отличный вопрос ранее - в будущем, с развитием технологий, FVA может стать все менее критической техникой. Возможно, мы сможем это количественно оценить, возможно, мы сможем параметризовать вещи, включить их в модель и принимать эти решения автоматически. Однако я считаю, что нам всегда понадобится процесс, в рамках которого мы устанавливаем сотрудничество, понимаем продажи, маркетинг и внешние влияния.

Вижу ли я его потенциальную роль уменьшенной? Да. Я говорил об этом квадранте высокой ценности и высокой изменчивости, и я определенно вижу, что он становится менее актуальным в будущем. Но пока что я все еще считаю FVA лучшей практикой и верю, что она будет продолжать быть лучшей практикой еще долго после моей пенсии.

Итак, в ближайшем будущем - да, FVA остается важным. В долгосрочной перспективе я думаю, что у Джоаннеса есть очень хорошее видение того, что может быть, и я не вижу в этом многих проблем. Я бы сказал, что мы на 50% согласны с многими из этих идей.

Conor Doherty: Ну, спасибо, Джефф. А Джоаннес, вы неизменны после всего, что вы услышали? Простыми словами, является ли это неподвижным объектом и неудержимой силой в основном?

Joannes Vermorel: Я имею в виду, я бы сказал, что если мы вернемся к тому, что я называю основной теорией цепочки поставок, и FVA является ее частью, то это довольно последовательно. Я признаю это.

Так что, действительно, если вы принимаете все эти идеи, все эти парадигмы и все остальное, то да, с этой точки зрения это не выглядит плохо. Я бы все же был немного осторожен с количеством бюрократической нагрузки, которую вы можете создать.

Опять же, вовлечение большого количества людей - это рецепт для того, чтобы потратить время многих людей. Как только вы создаете некий поперечный орган, потому что он будет вызывать проблемы у всех, это все равно может создать много лишней работы.

У меня есть примеры в моей сети людей, которые занимаются огромным количеством лишней работы по этим вещам, особенно всему, что является периферийным или поддерживающим S&OP.

Теперь, Lokad работает уже более десяти лет по-разному. Кстати, Джефф, есть серия лекций на YouTube, которая занимает почти 100 часов, чтобы подтвердить эту альтернативную концепцию.

Но интересно то, что когда вы переходите к другим парадигмам, другим инструментам, другим методам, то подавляющее большинство этих проблем просто исчезает. У вас возникают новые проблемы, совершенно другие, но все же в операционном плане вы оказываетесь перед чем-то очень странным.

Это цепочки поставок, где практически все решения принимаются автоматически. И, кстати, у нас был этот странный опыт в 2020-2021 годах, когда десятки наших клиентов отправили всех своих офисных работников домой.

У нас был клиент с запасами стоимостью более миллиарда евро, который отправил всех своих сотрудников домой на 14 месяцев без доступа к интернету, потому что они хотели получить государственные субсидии. Их цепочка поставок продолжала функционировать на уровне около 80% от номинальной емкости, и все решения принимались Lokad без какого-либо надзора.

Обычно мы генерируем решения, но у нас есть много людей, которые проверяют, что то, что мы генерируем, в порядке. Я считаю, что если вы можете управлять многомиллиардными гиперсложными цепочками поставок в течение 14 месяцев без всех людей, занимающихся этим микроуправлением, то это действительно вызывает вопрос о добавленной стоимости всех этих людей и о том, чего мы вообще должны ожидать от автоматизации.

Я думаю, что люди говорят о искусственном интеллекте и всевозможных вещах, но я подхожу к этому так, что вам не обязательно иметь супер-продвинутую гиперпараметрическую модель с триллионами параметров, чтобы достичь автоматизации.

Мой вывод заключается в том, что я считаю, что FVA принадлежит миру, где дело идет о прямом управлении цепочкой поставок людьми. Я подхожу к этому с точки зрения, что машина управляет цепочкой поставок, а люди управляют машиной, а не цепочкой поставок.

Conor Doherty: Хорошо, спасибо. Как обычно, мы предоставляем последнее слово гостям. Итак, Джефф, большое спасибо за то, что присоединились к нам. Если у вас есть заключительные комментарии, которые вы хотите сделать, не стесняйтесь.

Jeff Baker: Нет, просто большое спасибо за возможность. Я ценю эту беседу, Конор. Большое спасибо.

Я стараюсь угодить. Я ценю участие аудитории в вопросах. Я считаю, что всегда интересно, когда сталкиваются две противоположные точки зрения, потому что, на мой взгляд, обе стороны выходят из этого немного лучше. Честно говоря, я ценю возможность. Было приятно поговорить с вами.

Joannes Vermorel: Спасибо, Джефф.

Conor Doherty: Джоаннес, большое спасибо за ваше время. Джефф, большое спасибо за ваше время. Спасибо всем за просмотр. Увидимся в следующий раз.