00:00:00 Введение участников дебатов и формата дебатов
00:02:56 Вступительное слово Жоаннеса
00:09:53 Вступительное слово Джеффа
00:16:56 Возражения Жоаннеса
00:21:47 Возражения Джеффа
00:26:53 Заключительное слово Жоаннеса
00:28:56 Заключительное слово Джеффа
00:31:05 Последующие вопросы
00:48:36 Вопросы аудитории
01:18:57 Возвращение к первоначальным взглядам и выводам
Резюме
В дебатах, модерируемых Конором Дохерти, тема «Является ли Forecast Value Added (FVA) лучшей практикой или пустой тратой времени?» была рассмотрена Джеффом Бейкером и Жоаннесом Вермоrелем. Джефф Бейкер, имеющий обширный опыт в управлении цепями поставок, выступил в поддержку FVA, подчеркивая его ценность при правильном и структурированном применении, акцентируя внимание на важности устранения предвзятости и использования экспертных оценок. В то же время, Жоаннес Вермоrель, генеральный директор Lokad, заявил, что FVA может быть неэффективным, выступая за финансовую оптимизацию решений в цепях поставок с помощью вероятностных прогнозов. Дебаты подчеркнули противоречивые взгляды на роль FVA в управлении цепями поставок, предоставляя ценную информацию для улучшения процессов принятия решений.
Расширенное резюме
В недавних дебатах, модерируемых Конором Дохерти, главой отдела коммуникаций Lokad и ведущим YouTube-канала LokadTV, тема «Является ли Forecast Value Added (FVA) лучшей практикой или пустой тратой времени?» была тщательно рассмотрена. В дебатах приняли участие две выдающиеся фигуры в индустрии управления цепями поставок: Джефф Бейкер и Жоаннес Вермоrель.
Джефф Бейкер, который выступает за использование FVA, является основателем и управляющим директором Libra SCM, руководителем курса в программе MITx MicroMasters по управлению цепями поставок, а также ассоциированным редактором журнала Foresight, Международного журнала прикладного прогнозирования. Имея более 25 лет опыта в управлении цепями поставок, Джефф часто выступает и пишет о планировании продаж и операций (S&OP) и FVA.
Со стороны оппозиции, Жоаннес Вермоrель, генеральный директор и основатель Lokad, парижской софтверной компании, посвященной финансовой оптимизации решений в цепях поставок, выступил против использования FVA. Жоаннес широко известен своими обширными публикациями по темам управления цепями поставок, а также регулярными лекциями и дебатами с лидерами отрасли.
Конор Дохерти начал дебаты, представив тему и предоставив каждому участнику возможность представиться. После представлений каждый участник изложил свою точку зрения относительно FVA.
Джефф Бейкер утверждал, что FVA является ценным инструментом при правильном применении. Он подчеркнул, что корректировки прогнозов должны быть направленными и структурированными. По мнению Джеффа, корректировки должны основываться на направлении изменения (рост или падение), присущей прогнозируемости временных рядов и величине отклонения. Он акцентировал внимание на поиске значительных увеличений, а не на незначительных корректировках.
Джефф также отметил необходимость структурированных входных данных, где предположения четко сформулированы и основаны на новых данных, которые еще могли не быть учтены в моделировании. Он выступал за проактивный подход в выявлении и устранении предвзятости, понимании их причин и извлечении уроков из прошлых ошибок. Джефф считает, что правильное суждение основывается на опыте, который, в свою очередь, формируется на основе ошибок. Связывая предположения с их проверкой, организации могут решать такие проблемы, как переоценка из-за недостатка доверия к цепям поставок.
Кроме того, Джефф утверждал, что эксперты по продажам и маркетингу лучше способны придавать контекст информации, чем специалисты по цепям поставок. Он предположил, что ценные данные от этих экспертов со временем должны быть автоматизированы, но признал, что мы не живем в мире, где существует бесконечное количество чистых данных. Поэтому крайне важно собирать правильные данные из различных источников, включая производство, продажи и маркетинг.
Жоаннес Вермоrель, с другой стороны, выступил против использования FVA. Он утверждал, что FVA может быть пустой тратой времени и не всегда приводит к принятию лучших решений. Жоаннес подчеркнул важность сосредоточения на финансовой оптимизации и использовании вероятностных прогнозов для автоматического принятия более обоснованных решений в цепях поставок. Он аргументировал, что чрезмерное полагание на FVA может привести к неэффективности и отвлечь внимание от более важных аспектов управления цепями поставок.
Дебаты включали последующие вопросы и свободный обмен мнениями между участниками, что позволило им глубже раскрыть свои аргументы и отреагировать на замечания друг друга. Обсуждение завершилось сессией вопросов и ответов, где у аудитории была возможность в режиме реального времени задавать вопросы в чате.
В итоге, дебаты подчеркнули различия во взглядах на ценность FVA в управлении цепями поставок. Джефф Бейкер выступал за руководимый и структурированный подход к применению FVA, подчеркивая важность обучения на опыте и устранения предвзятости. Жоаннес Вермоrель, однако, утверждал, что FVA может быть пустой тратой времени и подчеркивал необходимость финансовой оптимизации решений в цепях поставок вместо корректировок прогнозов. Дебаты предоставили ценные инсайты в сложность прогнозирования в цепях поставок и различные методики улучшения процесса принятия решений в этой области.
Полная транскрипция
Конор Дохерти: Добро пожаловать на третий выпуск дебатов по цепям поставок от Lokad. Сегодня я рад провести долгожданные дебаты между Джеффом Бейкером и Жоаннесом Вермоrелем. Джефф преподает динамику цепей поставок в Центре транспорта и логистики MIT и является основателем и управляющим директором Libra SCM. А вот слева от меня находится Жоаннес, основатель и генеральный директор Lokad. Он инженер, окончивший École Normale Supérieure во Франции, и преподавал там программную инженерию в течение шести лет.
Сегодняшняя тема дебатов: «Forecast Value Added (FVA): лучшая практика или пустая трата времени?». Джефф докажет, что FVA на самом деле является лучшей практикой, в то время как Жоаннес докажет, что это трата времени. Сейчас, как можно быстрее, я постараюсь изложить правила дебатов и организационные моменты, чтобы мы могли перейти к сути.
Во-первых, будут вступительные слова, максимум по 7 минут от каждого. Как было заранее согласовано, первым выступит Жоаннес. Затем у каждого спикера будет 5 минут на возражения. После этого каждый спикер сделает двухминутное заключительное слово, после чего я задам несколько последующих вопросов. Эти вопросы могут быть заданы зрителями в любое время во время мероприятия в живом чате.
Теперь, в рамках подготовки к дебатам, оба спикера согласились с следующим определением: Forecast Value Added (FVA) — это простой инструмент для оценки эффективности каждого этапа и участника процесса прогнозирования. Его цель — устранить потери путем исключения процессов и действий любого вида, которые не способствуют увеличению точности прогнозирования или снижению предвзятости.
Это определение, а также полные биографии обоих спикеров, размещены в открытом документе Google, который вы можете найти в разделе комментариев или в чате комментариев к этому видео. Во время дебатов я строго буду ограничивать время для каждого спикера и вежливо напоминать им, когда время подходит к концу, даже если это будет лишь легкое прочищение горла. Но я рекомендую каждому самому следить за временем, чтобы знать, когда время истекает.
Почти всё. Спикеры должны сохранять полное молчание, когда говорит другой, так что, пожалуйста, не перебивайте друг друга, по крайней мере, во время отведенного времени. И наконец, немного бесстыдного саморекламы: если вам нравятся эти дебаты и то, что мы делаем, я призываю вас подписаться на YouTube-канал Lokad и следить за нами в LinkedIn. Итак, является ли Forecast Value Added лучшей практикой или пустой тратой времени? Жоаннес, пожалуйста, ваши вступительные слова.
Жоаннес Вермоrель: Прежде всего, я хотел бы поблагодарить Джеффа за участие в дебатах и за его позитивное отношение. Проще говоря, FVA — это инструмент для отслеживания увеличения и уменьшения точности. Так, является ли FVA лучшей практикой? Чтобы что-либо считалось лучшей практикой, оно должно, по определению, отражать понимание сообщества о том, какой способ является наиболее эффективным для достижения конкретной цели. Однако прогнозирование само по себе не является целью и не происходит в вакууме.
Прогнозирование — это инструмент, который мы используем для достижения конкретной цели. Некоторые могут утверждать, что цель прогнозирования — повышение точности. Это крайне спорная позиция. На мой взгляд, прогнозирование — всего лишь еще один инструмент, помогающий нам принимать лучшие бизнес-решения, то есть решения, приносящие больше прибыли. Так в чем же вопрос: способствует ли FVA, измеряя повышение или понижение точности, достижению цели зарабатывать больше денег? Я не убежден, и на данный момент приведу три критических замечания в поддержку своей точки зрения.
Во-первых, хотя FVA изначально и не был разработан для содействия коллективному прогнозированию, FVA по своей сути предоставляет структуру для измерения влияния коллективного прогнозирования на точность. Это важно. FVA не требует от вас использования лучших методов прогнозирования. FVA показывает, каково влияние на точность от того, что вы делаете. Почему это важно? Ну, что же является лучшей практикой в сообществе прогнозистов?
Начиная с 1980-х годов, Спайрос Макридакис организует серию публичных соревнований по прогнозированию (М-соревнования) для выявления лучших практик. Начиная с М4 в 2018 году, эти соревнования неизменно демонстрировали превосходство алгоритмических методов. Фактически, вероятно, величайший эксперт в области человеческого прогнозирования, Филип Тетлок, писал, что когда доступен алгоритм прогнозирования, его обязательно следует использовать. Причина? Алгоритм неизменно обеспечивает более высокую точность по сравнению с человеческим суждением. Этот алгоритм и, конечно же, эксперт, который его использует, являются лучшей практикой.
Если коллективное прогнозирование и ручные корректировки не являются лучшей практикой, и, как доказано, так оно и есть, то измерение их с помощью FVA также не является лучшей практикой и, как я считаю, тратой времени. Некоторые могут сказать: «Но, Жоаннес, FVA не поддерживает явно коллективное прогнозирование или ручные корректировки». Да, но именно так его пользуются в повседневной практике, даже в трудах Джеффа.
Однако, моя вторая критика основывается на одном из принципов FVA, а именно на перспективе временных рядов. FVA требует классических прогнозов временных рядов, также известных как точечные прогнозы. По крайней мере, FVA предполагает использование наивного прогноза, представляющего собой просто копию последнего фактического значения в качестве базовой линии для сравнения корректировок прогноза. Этот прогноз без изменений является временным рядом. Но можно ли считать временные ряды лучшей практикой? Опять же, нет. Точечные прогнозы не только являются неполными инструментами прогнозирования, но могут быть откровенно вводящими в заблуждение, например, в условиях высокой дисперсии. Это происходит потому, что точечные прогнозы не учитывают неопределенность.
Фактически, в соревновании по прогнозированию M5 был включен отдельный конкурс — конкурс по оценке неопределенности, сосредоточенный на квантильных прогнозах, в котором, кстати, Lokad принимал участие и одержал победу на уровне SKU. На самом деле, уже существует гораздо более совершенный класс прогнозов — вероятностные прогнозы. В отличие от временных рядов, вероятностные прогнозы не выделяют один единственный возможный будущий исход, 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 необходимо для выбора наилучшего варианта. Это особенно важно, когда задействованы финансовые риски, что является постоянной практикой в цепях поставок.
Однако FVA не совместим с вероятностным прогнозированием. Почему? Потому что вероятностное прогнозирование подразумевает рассмотрение распределений вероятностей, а не временных рядов. И, по правде говоря, люди в сфере продаж и маркетинга не будут вручную корректировать распределения вероятностей ни с FVA, ни без него. Это абсолютно неосуществимо. Если временные ряды не являются лучшей практикой, и уж точно не являются таковыми в управлении рисками, то использование FVA для сравнения корректировок точности также не является лучшей практикой. Я считаю, что это трата времени.
Моя третья критика заключается в том, что добавленная ценность прогноза не измеряет ценность; она измеряет точность. А добавляет ли точность ценность? Не обязательно. Более точный прогноз сам по себе не добавляет ценности. Во многих реальных ситуациях прогноз с точностью 90% и с точностью 60% приводят к одинаковым решениям по запасам, если присутствуют минимальные объемы заказа или другие ограничения. Если финансовый исход решения не меняется, то измерение прироста точности не добавляет бизнес-ценности. Таким образом, с точки зрения бизнеса утверждать, что точность сама по себе добавляет ценность — совершенно неправильно. Если это так, то как же сосредоточение на точности с помощью FVA могло бы считаться лучшей практикой? Это не так.
Даже если вы лично не используете FVA для поддержки коллективного прогнозирования, другие это делают. FVA по-прежнему основывается на прогнозах временных рядов, которые игнорируют неопределенность, а также на идее, что повышение точности означает увеличение ценности, что противоречит бизнес-реалиям. Все это является плохими практиками, и поэтому я утверждаю, что сам FVA не может считаться лучшей практикой. По моему мнению, это трата времени. Спасибо.
Конор Дохерти: У тебя еще 15 секунд, Жоаннес.
Joannes Vermorel: Ладно, спасибо.
Conor Doherty: Большое спасибо, Joannes, за вступительное слово. Jeff, в данный момент приглашаю тебя сделать твои вступительные замечания.
Jeff Baker: Да, замечательно. Спасибо, Conor. Спасибо, Joannes. Я действительно ценю возможность участвовать в этом разговоре. Очевидно, что я за использование FVA в качестве лучшей практики. Это исходит из того факта, что все цепочки поставок нуждаются в планировании, верно? Нам необходимо принимать решения заблаговременно, возможно за два-три месяца для составления производственного графика, для сотрудничества с поставщиками, возможно, планируя за шесть месяцев вперёд. Нам нужен хороший прогноз, чтобы убедиться, что, если произойдут небольшие изменения в мощности, возможно, изменения в штатном расписании или появление со-производителя, которого мы хотим привлечь, мы сможем это учесть. Поэтому нам приходится принимать эти решения с длительным горизонтом, и мы в конечном итоге их пересматриваем.
У меня есть пара любимых цитат о цепочке поставок. Одна из них: “План — ничто, планирование — всё.” Поэтому нам нужен этот план, чтобы быть в правильном положении. Моя вторая любимая цитата из цепочки поставок принадлежит Майку Тайсону: “У всех есть план, пока их не ударят в лицо.” Это указывает на то, что мы знаем: в цепочке поставок нас ждут удары. Цель заключается в том, чтобы принимать наилучшее возможное решение с наибольшей вероятностью успеха в операционном исполнении. Лучший способ сделать это — привлечь наших функциональных экспертов. Отделы продаж и маркетинга обладают локальными знаниями, которые можно использовать для улучшения прогноза, и поэтому они должны быть включены в процесс консенсуса. Вовлечение этих экспертов структурированным образом даёт нам те лучшие данные, которые необходимы для принятия более правильных решений. И FVA является эффективным инструментом для измерения эффективности этих вкладов.
Однако, с этим есть оговорка: да, вы потенциально можете создать возможность для возникновения предвзятости, но, с моей точки зрения, нам нужно работать над её исправлением, а не полностью устранять её. Мы должны действовать кросс-функционально. Мы уже много лет проповедуем, что кросс-функциональность — это путь к успеху. Я не хочу возвращаться к функциональному силосу, где каждый отвечает только за своё собственное решение, а не за влияние на других. Чтобы сделать это наилучшим образом, я считаю, что необходимы направляемые корректировки, в чём FVA особенно сильна. Он позволяет выявлять те продукты, которые имеют высокую ценность, но также высокий уровень ошибки. Это плодородная почва для поиска лучших входных данных.
Если ожидается значительное воздействие — какой-то существенный неблагоприятный эффект или, возможно, положительный эффект — нам необходимо быть готовыми к этому. Первое: эти корректировки должны быть направляемыми. Тезис, который я писал для своей магистерской диссертации, утверждал, что нам нужно учитывать направление корректировки: вверх или вниз? Какова присущая предсказуемость временного ряда? Каков масштаб корректировки? И убедимся, что, если мы собираемся добавить ценность, мы нацелены на существенное увеличение — а не просто на мелкие подправки.
Далее — структура. Я не позволю никому из отдела продаж или маркетинга просто назвать произвольное число. Я спрошу: каковы их предположения для входных данных? Основано ли это на новых данных, которые мы ещё даже не моделировали? Затем я вникну глубже, спрашивая: является ли это лучшим сценарием? Худшим сценарием? Какой сценарий наиболее вероятен? Что должно произойти? Что должно быть истинным, чтобы этот сценарий утвердился в будущем? Таким образом, мы пытаемся проактивно выявлять причины предвзятости и понимать мотивацию, стоящую за ними.
После этого, на следующий месяц, мы пересмотрим эти корректировки, чтобы сказать: “Принесли ли они ценность или нет?” Мне нравится говорить, что хорошее суждение основывается на опыте. А опыт — на ошибочных суждениях. Мы учимся на своих ошибках. Мы возвращаемся к исходным предположениям, проводим валидацию, и, возможно, обнаружим что-то вроде: “А знаете что, продавцы постоянно завышают прогнозы, потому что не доверяют цепочке поставок.” Это не просто предвзятость, это проблема доверия, и мы можем начать с этим работать.
Более того, именно они лучше нас умеют контекстуализировать эту информацию. Я не думаю, что у нас появится специалист по цепочке поставок, который знал бы все тонкости маркетинга или прогнозирования. Я собираюсь полагаться на этих экспертов, использовать их для предоставления данных. Если со временем я обнаружу, что эти входные данные ценны, я постараюсь их автоматизировать. У меня нет возражений против автоматизации сбора правильных данных. Но проблема в том, что мы не живем в мире с бесконечными чистыми данными. Если существуют данные по производству, данные по продажам, данные по маркетингу, зачастую нам приходится самостоятельно их искать.
Если мы справимся с этим хорошо, многие из этих решений можно будет автоматизировать. Корректировки не требуются только потому, что в системе прогнозирования есть процесс FVA. Фактически, главный девиз прогнозирования должен быть: “Не навреди.” Kraft Heinz, одна из крупнейших компаний по производству продуктов питания и напитков в Северной Америке, использует метрику “низкий процент вмешательства в прогнозирование.” Как я могу убедиться, что не вмешиваюсь каждый раз? Думаю, Деминг выразился лучше всего: “Не просто делай что-либо, стой и наблюдай.” Потому что он понял, что естественная склонность человека — думать: “Они ждут, что я внесу данные, мне лучше это сделать, чтобы показать, что я занят.” Нет, это совершенно неверный подход.
Если мы обратимся к доказательствам того, что сокращение ошибок действительно ценно, можно отметить Институт бизнес-прогнозирования и планирования. Они провели опрос среди восьми компаний сектора CPG и обнаружили, что при снижении ошибки прогноза на 1% компании получают выгоду в размере 1,7 миллиона долларов на миллиард долларов выручки, избегая затрат на прогнозирование. Это включает избежание скидок, перемещений, устаревших товаров, избытка запасов и блокировку оборотного капитала. Компании также сокращают затраты, связанные с недопрогнозированием, примерно на 1 миллион долларов на миллиард выручки, избегая потерянных продаж, штрафов за неполное комплектование ящиков и увеличенных затрат на производство или ускоренную доставку.
IBF зафиксировал это в своих исследованиях. Gartner обнаружил схожие выгоды: снижение стоимости запасов на 2–7%, уменьшение устаревших запасов на 4–9% и сокращение транспортных расходов на 3–9%. Масштабы этих цифр делают привлекательным поиск путей по повышению точности прогноза, особенно в областях, где товар имеет высокую ценность и высокий уровень ошибки, или если мы заранее знаем, что внешние события повлияют на цепочку поставок тем или иным образом. Спасибо.
Conor Doherty: Хорошо, спасибо, Jeff. У тебя ещё есть 15 секунд, если хочешь.
Jeff Baker: У меня 13, но со мной всё в порядке.
Conor Doherty: Верно. Jeff, большое спасибо за вступительное заявление. На данном этапе мы переходим к опровержению. Joannes, у тебя 5 минут, когда будешь готов.
Joannes Vermorel: Спасибо, Jeff, за твои вступительные замечания. Думаю, ты очень хорошо отстаиваешь свою позицию, хотя есть несколько моментов, которые я хотел бы прояснить. Я не оспариваю намерение людей сделать что-то хорошее для компании. Я пытаюсь поставить под сомнение реальность конечного результата.
Во-первых, если мы считаем, что точность — это наилучшее, за чем стоит стремиться, тогда реальность, как я отметил в своём первоначальном заявлении, состоит в том, что FVA не отражает лучшие практики прогнозирования. Если компания действительно стремится к точности, то отказ от совместного прогнозирования на самом деле даст более точные результаты. К сожалению, это было эмпирически доказано.
Во-вторых, сами корректировки являются весьма бюрократичным способом решения проблемы. Как только вы вводите механизм — да, люди могут сказать “не навреди” — но если вы внедряете бюрократический механизм, он будет использоваться. FVA подразумевает создание мини-бюрократии или мини-технократии с элементами программного обеспечения. Появятся люди, проверяющие, действительно ли сотрудники отделов продаж и маркетинга вносят корректировки и так далее. И поэтому, по моему мнению, это приводит к тому, что появляется множество бюрократической волокиты.
Потому что реальность такова, что когда вы начинаете смотреть, как выглядят эти прогнозы и корректировки, речь идёт о десятках тысяч временных рядов, каждый из которых имеет около 50 точек или более, например, еженедельный прогноз на год вперёд. Но это приводит меня к ещё одной критике: сосредоточение исключительно на точности, по моему мнению, приводит к нерациональному распределению средств и закрывает глаза компаний на гораздо более эффективные способы, посредством которых сотрудники могут способствовать процессу прогнозирования. И чтобы было предельно ясно, я никогда не утверждал, что сотрудники отделов продаж, маркетинга и финансов не могут внести значимый вклад в процесс прогнозирования. Я прекрасно осознаю, что каждый соответствующий сотрудник может обладать ценной информацией, которая способна принести компании финансовую выгоду.
Однако, с чем я не согласен, так это с идеей о том, что люди должны ждать появления точечного прогноза, чтобы затем вручную его корректировать для повышения точности. Это, как я уже говорил, не является лучшей практикой прогнозирования, и всё же именно так обычно поступают с FVA. Существует конструктивный способ вовлечь людей в процесс прогнозирования — это через вклад в алгоритмы прогнозирования, которые создают прогноз, и позднее — в алгоритмы, принимающие решения. По сути, это означает оказание помощи эксперту по прогнозированию. В Lokad таким экспертом является специалист по цепочке поставок, который пишет и уточняет эти алгоритмы, предоставляя отраслевую экспертизу и инсайты. Это не означает, что все сотрудники отделов продаж и маркетинга должны изучать распределения вероятностей и писать скрипты на Python. Вместо этого они помогают, предоставляя эксперту по прогнозированию практические инсайты, которые могут оказаться полезными, а затем эксперт переводит эти инсайты в строки кода.
И, наконец, автоматизированные алгоритмы запускаются и генерируют прогноз. В конце концов, эти инсайты — всего лишь части информации, и, как я согласен, они распространены по всей компании. Однако именно эксперт по прогнозированию тот, кто знает, как превратить всё это в значимый прогноз и обоснованный набор решений для цепочки поставок. Может быть доступно множество отличных данных, но только эксперт по прогнозированию должен решать, как эти данные использовать для составления или пересмотра прогноза. Это лучшая практика, подтверждённая десятилетиями экспериментальных результатов в области прогнозирования. К сожалению, в этой системе нет места FVA. Измеряя точность, вместо того чтобы напрямую способствовать улучшению алгоритма прогноза, можно вежливо сказать, что FVA — это отвлекающий фактор. Однако я бы назвал это пустой тратой времени.
Conor Doherty: Joannes, у тебя ещё есть 20 секунд.
Joannes Vermorel: Со мной всё в порядке, спасибо.
Conor Doherty: Хорошо, спасибо. Jeff, в данный момент я вижу, как ты улыбаешься. Не стесняйся ответить своим пяти-минутным опровержением.
Jeff Baker: Кажется, тебя отключили, кстати.
Да, извините. Нет, интересная точка зрения. Хочу вернуться к нескольким моментам. Во-первых, ты упомянул конкурс M5 и Макридикас. Хочу отметить, что 92% участников проиграли очень простому эталонному алгоритму экспоненциального сглаживания. Таким образом, есть аргумент в пользу простоты. Я считаю, что существует разница между лучшими практиками и передовыми методами. Хочу убедиться, что мы это различаем, поскольку во многих случаях более простой подход оказывается лучше и более приемлем для пользователей. С точки зрения объяснимости, если мы находимся на встрече S&OP по обзору спроса, гораздо проще объяснить, как получается прогноз, и добиться большего согласия.
Еще один момент, который ты упомянул, — это фокусировка временных рядов только на одной точке. Лучшая практика заключается не только в предоставлении временного ряда, но и в указании интервалов прогнозирования, верно? И это напрямую связано с точностью. Так что действительно, лучшей практикой может быть сочетание временных рядов с передачей информации людям об интервалах прогнозирования. Мы согласны, что точечный прогноз — это лишь часть информации. Точечный прогноз плюс интервалы прогнозирования — гораздо более ценно.
Ты упомянул, что вероятностные прогнозы не подходят для FVA. Думаю, если ты посмотришь один из последних выпусков журнала Foresight, найдёшь статью Стефана Де Кока о вероятностном прогнозировании и его варианте — стохастической добавленной ценности, что, на мой взгляд, указывает на ценность данной концепции. Я несколько нейтрален в отношении моего метода прогнозирования. Как бы я его ни делал, я хочу видеть улучшение по мере добавления различных входных данных в мой прогноз. Как я его улучшаю? Затем ещё необходимо убедиться, что мы эффективно и рационально используем наши ресурсы. Это соотношение между затратами из-за неточности и затратами на создание прогноза известно с 1971 года. Существует статья в Harvard Business Review о том, как сбалансировать затраты на слишком долгий процесс составления прогноза и получаемую точность. Иначе говоря, стоит ли затраченный сок того усилия? Исходя из тех цифр, которые я получаю, для компании среднего размера это приносит значительную выгоду, и я могу позволить себе, чтобы несколько человек занимались этим.
Я не считаю, что совместное прогнозирование является бюрократичным. Я думаю, что необходимо вовлекать этих людей в процесс, чтобы они могли создавать добавленную стоимость для системы. Эти входные данные великолепны. События всегда будут происходить. Цепочки поставок не становятся менее сложными; они становятся более сложными, динамичными, как эффект бабочки. Поэтому нам нужны люди, способные контекстуализировать эту информацию и принять наилучшее решение в нужный момент. С этой точки зрения, процесс должен быть совместным. Если я работаю совместно, я постоянно сотрудничаю с отделами продаж и маркетинга. Это означает, что я не пытаюсь охватить всё сразу, а ищу, что изменилось. Если я буду продолжать в том же духе, у меня сложатся хорошие отношения, и я смогу получать необходимые входные данные, а также поддерживать с ними крепкие отношения.
Обратная ситуация такова: когда у меня есть процесс ad hoc, в который я вовлекаю отделы продаж и маркетинга по своему усмотрению, качество их входных данных значительно ухудшается, если они не являются частью регулярно запланированного процесса. Что я постоянно слышу от продавцов: “Я слишком занят продажами, оставь меня в покое.” Так что, если вы хотите получить эти данные, вам нужно вовлекать их в процесс.
Вы упомянули о разрыве с реальной бизнес-ценностью. Нельзя принимать правильные решения на основе плохих данных. Аргумент в том, что мне нужен более точный прогноз. Нет никаких оснований для снижения точности прогноза. Мне нужно быть уверенным, что я использую лучшие данные при принятии решений. Будет ли это напрямую связано с ROI? Могу ли я рассчитать ROI одного отдельного решения для всей цепочки поставок? Это не произойдет. Я бы с удовольствием сказал, что да, но мое решение с точки зрения прогнозирования полностью отделено от функциональных решений, которые принимают производство, закупки, складирование и транспортировка. Любой из этих факторов может привести к низкому ROI. Моя задача — быть максимально точным. Спасибо.
Conor Doherty: Большое спасибо, Джефф. Извините, что заговорил сразу после окончания, но мне просто нужно было вам напомнить.
Jeff Baker: Без проблем.
Conor Doherty: На данный момент, спасибо, Джефф. Обращаюсь к Жоанесу. Пожалуйста, ваши заключительные замечания, две минуты.
Joannes Vermorel: Дамы и господа, тема дебатов была следующей: “Является ли FVA лучшей практикой или пустой тратой времени?” В ходе этих дебатов вы услышали много информации, но, пожалуйста, имейте в виду несколько моментов, когда будете решать, что вы думаете об FVA. Во-первых, если вы используете FVA как часть текущего совместного процесса прогнозирования, понимаемого как микроменеджмент точек прогнозирования, это не является лучшей практикой. Ручное переопределение прогноза, безусловно, не является лучшей практикой в сообществе прогнозистов, а, следовательно, измерение его с помощью FVA также не является лучшей практикой.
Number two, FVA основана на прогнозах временных рядов. Я уверен, что где-то кто-то пытается применить её к вероятностным прогнозам, но давайте будем честными. FVA работает в масштабах только в том случае, если она функционирует в сочетании с классическими прогнозами временных рядов, в которых полностью игнорируется неопределенность. Это не является лучшей практикой, и, следовательно, измерение точности с помощью FVA тоже не считается лучшей практикой.
Number three, по своей природе FVA исходит из предположения, что повышение точности — это нечто, чего стоит добиваться. Но это не так. Вопреки сказанному, существуют случаи, когда увеличение точности может фактически навредить вашему бизнесу. Приведем очень простой пример. При прогнозировании разреженных рядов ноль очень часто оказывается самым точным прогнозом, даже если предсказание нулевого спроса не имеет смысла. Таким образом, даже если вы не соглашаетесь со мной по всем этим аспектам прогнозирования и цепочки поставок, одно ясно: по всем этим и другим причинам FVA не может считаться лучшей практикой. Если это так, то это очень печальное обвинение в адрес сообщества прогнозистов.
Conor Doherty: Большое спасибо, Жоанес. Джефф, обращаюсь к вам. Ваши заключительные замечания, пожалуйста, две минуты.
Jeff Baker: Хорошо, отлично, большое спасибо. Как я уже говорил вначале, лучшее планирование приводит к лучшим решениям. Мы должны научиться планировать, перепланировать, и нам нужно убедиться, что у нас есть точный прогноз. Я не думаю, что существует веский бизнес-кейс для того, чтобы плохие данные всегда приводили к правильным решениям. Если у вас плохие данные, но вы принимаете правильные решения, я называю это слепой удачей. Такое случается не так часто. Где FVA показывает свои сильные стороны, повторюсь, я не пропагандирую микроменеджмент и не поддерживаю полное переопределение всего. Есть примеры, когда у нас есть товары с высокой стоимостью и высокой ошибкой. Мы понимаем, что могут случиться внешние события, которые невозможно свести к аккуратному алгоритмическому входу. Нам нужно их понимать, нам нужно планировать с учетом того временного горизонта, который необходим для принятия этих решений. Любая критика FVA в основном основана на неправильном понимании того, для чего она предназначена.
Я знаю, что Lokad продает пакеты программного обеспечения. Ранее я работал в компании, занимающейся разработкой программного обеспечения, и я также внедрял программные пакеты. Я знаю, что этот инструмент работает. Часто проблема кроется в реализации. Если клиент не получает то, что хочет, это проблема реализации в девяти случаях из десяти. Проблема как реализации, так и данных. Любая критика FVA возникает из незнания, как правильно ее внедрять, из непонимания, как она работает и какую ценность добавляет. Приведу еще одну простую аналогию. Если я строю террасу за домом и услышал, что доски нужно прикрепить к балке, а я начинаю забивать винты молотком, это не сработает, и я буду недоволен. Это не значит, что проблема в молотке; это значит, что я просто не умею им правильно пользоваться. Я использую неподходящий инструмент для этой задачи.
Conor Doherty: Спасибо. Извините, что перебиваю, но мне нужно строго соблюдать регламент времени для обеспечения беспристрастности. Большое спасибо, господа. Спасибо вам обоим за подготовленные замечания, аргументацию и вашу страсть. На данном этапе я хотел бы перейти к нескольким уточняющим вопросам. Они поступают. Я сделал несколько заметок на основе сказанного. Прежде чем мы перейдем к вопросам из зала, позвольте мне уточнить пару поднятых моментов.
Я начну, думаю, на самом деле, я задам вопрос Жоанесу, чтобы показать беспристрастность. Я задам его. Итак, Джефф, в вашем опровержении вы упомянули афоризм “Простое — лучше”. Мне кажется, вы также упомянули результаты M5 и указали, что то, что является сложным или передовым, не обязательно лучше. Тогда, Жоанес, как вы отвечаете на концепцию, что, если немного разобраться, вероятностное прогнозирование, чисто алгоритмическое моделирование — это слишком вычурно. Должно быть проще.
Joannes Vermorel: Дело в том, что мы выиграли соревнование M5 на уровне SKU, используя модель, которая является параметрической и имеет всего около пяти параметров. Всё. Так что, да, алгоритмический подход не означает автоматическую лучесть. На самом деле, Тетлок в своей книге “Суперпрогнозирование” показывает, что скользящая средняя обходит 99% людей в любом прогнозировании. Люди видят закономерности повсюду; у них огромное когнитивное затруднение. Справляться с шумом чрезвычайно сложно, поэтому они видят паттерны повсюду, и это просто вредно для прогнозирования. Кстати, здесь искусственный интеллект, как и скользящая средняя, на самом деле, в подавляющем большинстве случаев превосходит человеческий разум. Это просто аргумент. В частности, алгоритмы вероятностного прогнозирования от Lokad не являются по своей природе слишком вычурными. Они просто имеют странную форму, но не являются сверхсложными в смысле использования глубокого обучения и тому подобного.
Conor Doherty: Джефф, как вам это звучит? Есть ли что-то, с чем вы хотели бы возразить?
Jeff Baker: Единственное возражение, которое у меня есть, и я вполне за внедрение новейших данных и технологий — ведь, как я уже говорил, я работал в компании по разработке ПО, где мы продавали технологии — заключается в том, что иногда не нужно чрезмерно усложнять вещи. Возможно, это лучше, но мы должны убедиться, что получаем ту дополнительную ценность от всего, что делаем. Кроме того, объяснимость (толкование результатов) имеет критическое значение.
Для нас, находящихся в этой комнате, для всех интересующихся этим, мы все увлечены вероятностным прогнозированием и данными. Когда дело доходит до реализации, если я пытаюсь внедрить какой-либо алгоритмический прогноз, и он страдает от проблем с объяснимостью, мы можем столкнуться с возражениями, потому что люди по своей природе испытывают антипатию к алгоритмам. Они будут сопротивляться тому, что не понимают. Многие из этих методов прогнозирования, особенно более простые, относительно легко объяснить. Вот почему я говорю, что иногда более простые методы с точки зрения производительности работают так же хорошо. Простые ансамблевые прогнозы превосходят 92% людей, соревнующихся за славу и богатство в соревновании M5. Так что в этом есть определённая ценность.
Я также считаю, что не стоит перегружать отдельную организацию. Некоторые организации имеют уровень зрелости, до которого нам нужно их доводить. Для многих из них, если я смогу добиться, чтобы они использовали прогнозы с экспоненциальным сглаживанием, отлично. Ансамбли — прекрасно. Объяснять, что такое интервалы прогнозирования — фантастика. Нет проблем с более вычурными, сложными алгоритмами. Нам просто нужно убедиться, что мы поднимаем их уровень в зависимости от их способности воспринимать и принимать эту технологию. Иначе мы рискуем — а у меня уже были такие случаи — использовать смешанные линейные программы для компаний, и если они этого не понимают, они не примут это. Вот на что я обращаю внимание, когда пытаемся внедрить более сложные алгоритмы.
Conor Doherty: Жоанес, что-нибудь добавить?
Joannes Vermorel: Опять же, я думаю, существует небольшое несоответствие, потому что я имею в виду, что, во-первых, когда мы занимаемся вероятностным прогнозированием, сами методы довольно просты. Любая изощренность присутствует лишь для того, чтобы точно учитывать факторы. Наш альтернативный подход к FVA заключается в том, что когда у людей есть информация и они поднимают руку, это становится фактором, который нужно учесть. Сам прогноз просто использует эту дополнительную информацию в качестве входных данных, а не как переопределение результата.
Это имеет множество положительных последствий, например, если вы обновляете прогноз, людям не нужно обновлять переопределение. Проблема в том, что люди воспринимают это как переопределение, как нечто статичное. Но если вы переопределяете прогноз, что делать, если на следующей неделе появится новая информация и ваша базовая линия сместится? Что вы будете делать? Примените ли вы то же самое переопределение, ту же самую дельту по сравнению с тем, что было раньше? Существует масса сложностей, вытекающих из того факта, что маркетинг предоставляет информацию в виде переопределения прогноза. Гораздо проще сказать: “Маркетинг, скажите нам, что мы будем продвигать этот продукт с такими рекламными расходами”, а затем учесть это как входной параметр для прогноза. Вы даже можете провести бек-тест, чтобы понять, повысилась ли точность, или нет. Этот бек-тест можно сделать сразу; вам не нужно ждать три месяца, чтобы увидеть, принесла ли ваша ручная корректировка положительный результат.
Conor Doherty: Если можно на минутку остановиться, потому что вы затронули то, что я тоже хотел сказать Джеффу. Что касается принципа “Простое — лучше”, опираясь на то, что вы только что сказали, не было бы теоретически проще, если бы эксперт опросил других экспертов, извлек из этого инсайты, а затем преобразовал их в алгоритмическое решение, вместо того чтобы все, включая неэкспертов, принимали участие в корректировке прогноза? С точки зрения простоты, что вы думаете по этому поводу? Они одинаково просты или одно из них сложнее другого?
Jeff Baker: Обычно FVA я использовал в процессе планирования продаж и операций, в обзоре спроса, рассматривая временной горизонт в три месяца вперед. У нас есть текущий месяц, затем текущий месяц плюс один, плюс два. Обычно для многих компаний товаров потребления — это своего рода замороженный график. Именно здесь начинается переход от планирования к выполнению, то есть S&OP против S&OE.
Когда мы находимся в сфере S&OP, мы рассматриваем некоторые события, некоторые движущие силы. Что мы делаем, если работаем на агрегированном уровне, так это собираем входные данные. Если это данные на уровне товарной группы, вы можете использовать эти высокоуровневые драйверы для распределения вниз. Вы можете декомпозировать некоторые из этих решений, что является распространенной практикой — взять высокоуровневое число и распределить его по деталям.
Со стороны выполнения, если произошло значимое событие, то да, вы также могли бы осуществить это на уровне группы или компании, в зависимости от масштаба воздействия. Думаю, так проще. Я не настаиваю на корректировке каждого SKU, потому что, как вы упоминали ранее, это может быть обременительно. Но если воздействие значительное, нам нужно внести эти корректировки.
В этом планировании, в этом перепланировании, возвращение к плану — это ничто, планирование — это всё. Эта идея перепланирования, пересмотра: если мы проводим его в процессе S&OP раз в месяц, все принимающие решения собираются в одном зале. Мы проводим его раз в месяц и начинаем сосредотачиваться на том, что уже присутствует в модели, что является новой информацией и как мы можем интегрировать эту новую информацию. Фактически, один раз я чуть не встал и не начал аплодировать на заседании по обзору спроса, когда лидер отдела продаж, вице-президент, сказал: “Ладно, какую новую информацию мы знаем по этому вопросу?” — Никакой новой информации. “Ладно, статический прогноз, алгоритмический прогноз остаются в силе,” — и на этом все. Там не было много бюрократии.
Я думаю, что это идеальный способ, если только не происходят действительно масштабные события, о которых нам известно. Но если вы специалист по цепочке поставок, вы должны проактивно искать эти данные. Тогда как, по моему предложению, отделы продаж и маркетинга приходят на встречи, зная, что им нужно сообщить мне, что нового, что изменилось, что отсутствовало в прошлых предположениях. Мы стараемся сделать это как можно быстрее. Для крупной компании товаров потребления это можно сделать довольно быстро на уровне товарной группы.
Conor Doherty: Спасибо, Джефф. Жоанес, что-нибудь добавить?
Joannes Vermorel: Не слишком много, но чтобы быть кратким, причина, по которой мы настаиваем на том, чтобы эксперт принимал информацию, а не просто корректировал прогноз, заключается в том, что почти всегда информация не соответствует по уровню детализации бизнесу компании. Например, у них может быть: “О, у нас есть конкурент, который банкротится.” Нет четкого соответствия между этим конкурентом и тем, чем он занимается. Это не соотношение один к одному. Существует обширная проблема: хорошо, категория за категорией, какие продукты затронуты.
Идея о том, что информация из головы сотрудника отдела продаж или маркетинга может быть использована как “Окей, эта информация найдет соответствующий временной ряд для переопределения,” практически никогда не оправдывается. Просто определить, что именно является релевантным, очень сложно. А как быть со всеми другими источниками неопределенности? Когда Lokad управляет компанией с предиктивными моделями, у нас легко бывает полдюжины моделей прогнозирования — одна для спроса, да, но также сроки поставки, производственные выходы, будущая цена поставщиков, ожидание волатильности цен конкурентов и так далее.
Когда вы говорите, что проблема FVA заключается также в несоответствии детализации информации, которую вы имеете, и временных рядов, это буквально возводит спрос в ранг первостепенного, в то время как существует множество других неопределенностей, которые необходимо прогнозировать. Также имеется информация, например: “Окей, этот поставщик полностью перегружен, сроки поставки просто взорвутся.” Это должно быть отражено в алгоритме прогнозирования сроков поставки.
Jeff Baker: Да, я с тобой не спорю — в цепочке поставок действительно есть аспекты, на которые нам нужно обратить внимание. Ни в коем случае я не рекомендую сосредотачиваться на FVA и забывать о времени поставки у поставщика или о чем-то подобном. Это неверно. Нам нужно сосредоточиться на том, каков спрос, с точки зрения эффективности, какой спрос для нас оптимален, верно?
И мне также необходимо знать все остальные детали, касающиеся моей стороны поставок. Мы должны заниматься и тем, и другим, верно? И да, я полностью согласен. Нам нужно время поставки, вариация этого времени, нам нужно понимать работу производства, когда оно может остановиться, ценообразование поставщиков — всё это необходимо знать. Так что спорить не о чем. Единственное, что я хочу уточнить — я не говорю, что следует сосредоточиться на FVA в ущерб остальным аспектам.
Conor Doherty: У нас, действительно, есть и другие вопросы от аудитории, к которым я перейду. Но есть ещё один последний пункт, который был поднят, и я задам его. Сначала я попытался корректно перефразировать, Джефф, так что просто подтвердите, правильно ли я изложил. А потом я спрошу тебя, Йоаннес. Джефф, в своих заключительных замечаниях вы утверждали, что существуют моменты, которые нельзя свести к алгоритму. Это справедливое резюмирование того, что вы сказали? Существуют определённые аспекты, возможно, связанные с низкой предсказуемостью, на которые нельзя просто положиться, используя алгоритмическое решение.
Jeff Baker: Да, и есть события, понимаете, это больше связано с тем, что такие события не повторяются.
Conor Doherty: И вы подразумеваете, что для них действительно требуется ручное вмешательство, ручной ввод.
Jeff Baker: Это своего рода контекстуализация факта наличия события. У меня нет возможности его смоделировать, поэтому мне придётся принять решение. Я обращусь за помощью к эксперту.
Conor Doherty: Йоаннес, что ты думаешь по этому поводу? Мне было очень интересно услышать твое мнение.
Joannes Vermorel: Вот почему я упомянул эксперта Филипа Тетлока в своей аргументации. Он действительно написал книгу под названием “Superforecasting” и оценивал возможности человеческого прогнозирования в рамках проекта, который существует уже десятилетие и называется Good Judgment Project. Он финансировался IARPA, аналогом DARPA в сфере разведки в США.
Они обнаружили, что люди, успешно предсказывающие интуитивно, для тех случаев, когда отсутствует алгоритмический рецепт, приходят к немедленному выводу: если алгоритмический рецепт доступен — это лучше, а если его нет, то, хорошо, возвращаемся к людям и высокоуровневым суждениям. Но что они выяснили — и это одно из заключений книги — так это то, что суперпрогнозисты, то есть люди, систематически достигающие превосходной точности прогнозирования, на самом деле создают микроалгоритмы, адаптированные к конкретному случаю. Именно так. И когда люди способны на это, их точность значительно улучшается. Говоря о порядках величины, мы имеем дело примерно с 30%-ным приростом точности, даже в тех случаях, которые крайне сложно оценить, например, вернется ли бывший президент Сирии к власти в ближайшие пять лет? Просто вопрос, на который трудно ответить.
Таким образом, если мы вернёмся к этим выводам, это снова подтверждает идею о том, что когда имеется информация, не тот, кто ею владеет, должен преобразовывать её в количественное выражение прогноза компании. Вот что я пытаюсь сказать. И именно поэтому, на мой взгляд, FVA и практика ручных корректировок ошибаются, поскольку в Lokad мы подходим к этому так: кто-то предоставляет нам информацию, исходную информацию, а если у нас появляется позиция, возникшая как бы из ниоткуда, то нам нужно придумать своего рода мини-числовой рецепт, который преобразует её в число.
И самое интересное в том, что вам необходимо не только изобрести его, но и задокументировать. Вы должны объяснить, какова логика, даже если это всего три предложения, типа: “Хорошо, я делаю это, умножаю это на это, применяю коэффициент и скидку”, что-то очень простое, как кулинарный рецепт. Снова, если мы обратимся к “Superforecasting”, то именно так суперпрогнозисты, достигающие выдающихся результатов без стандартных алгоритмов, и поступают. У них есть явный числовой рецепт, который делает их процесс усовершенствуемым. Таким образом, дело не просто в информации: вам нужен процесс, который можно повторять и улучшать при преобразовании этих знаний в числа. Это не должно казаться магией в умах людей.
Jeff Baker: Нет, я полностью согласен. Мы требуем, чтобы люди документировали свои предположения. В дополнение к этому, если у вас появится возможность использовать искусственный интеллект на базе больших языковых моделей для отдела продаж или маркетинга — это будет фантастически. Потому что это одна из причин предвзятости: вы спрашиваете людей, пытаетесь получить их мнение, и иногда они что-то помнят, а иногда — забывают. Часто мы возвращаемся к данным и думаем: “Когда мы проводили это повышение цены? О, проходит уже год, возможно, начальный всплеск от повышения цены уже угас.” Я полностью за автоматизацию этого процесса, если можно. Вам нужно вести разговор с людьми и начинать внедрять это. Это должно стать их образом жизни, потому что таких случаев сейчас очень много во многих компаниях. Так что, думаю, да, стоит пойти по этому пути.
Conor Doherty: Верно, ну а теперь я перейду к некоторым вопросам, поступившим от аудитории. Думаю, в прошлый раз я сначала спросил тебя, Джефф, а этот вопрос адресован вам обоим, но я начну с тебя. Вопрос от Николаса: как можно управлять ситуацией, когда поступает слишком много информации, что вынуждает статистические модели часто меняться, даже при наличии S&OP? Как можно эффективно сбалансировать давление со стороны маркетинговых и финансовых команд?
Jeff Baker: Итак, вопрос в том, что если поступает очень много разной информации от отдела продаж и маркетинга?
Conor Doherty: Да, по сути, если наступает волна поступления информации, как с этим справляться, особенно если это заставляет статистические модели меняться довольно часто, скажем, с множеством корректировок. Хотя я сам добавил эту пометку в скобках.
Jeff Baker: Хорошо, значит, сама статистическая модель не будет изменяться. Мы говорим о статической модели прогноза на основе временных рядов, а затем о корректировках от отдела продаж и маркетинга, как я это понимаю. Мы не говорим о…
Conor Doherty: Сейчас Николаса у меня с собой нет, извините.
Jeff Baker: Хорошо, в таком случае вам нужно принять решение в рамках заданного временного горизонта, верно? Если мне нужно планировать на три месяца вперёд, чтобы составить график производства, определить последовательность работ для планирования с ограниченной мощностью, тогда да, мы должны иметь правило: не появляться с новой информацией в последнюю минуту. Ещё один момент с производственной стороны: я ярый сторонник нарушения замороженного временного окна для обучения команды продаж. Сюрпризы в текущем месяце и в следующем не приветствуются. И это вопрос культуры, верно? Вот как я бы с этим справился. Например, однажды торговый представитель сообщил: “Эй, у нас большая сделка,” и дождался последней минуты, чтобы сообщить об этом производству. Это плохая идея, ведь это обошлось нам довольно дорого.
Таким образом, идея замороженного окна подразумевает, что вы должны принять решение в рамках заданного временного интервала, это должно быть вашим оптимальным решением, и нужно понимать, что мы будем планировать, исходя из него, так что не следует нас удивлять. Вот как я бы справился с такой волной. Фактически, один из показателей S&OP, который мне нравится, — это нарушение замороженного временного окна. То есть, как часто мы заставляем нашу производственную команду менять график только потому, что вы сообщили о новой продаже в последнюю минуту.
Conor Doherty: Спасибо, Джефф. Йоаннес, что скажешь по этому поводу? Также можешь добавить в свой ответ, как бы эксперт по твоему профилю справился с потоком внезапных инсайтов от множества людей?
Joannes Vermorel: Во-первых, подход Lokad заключается в том, что мы автоматизируем всё. Для нас это ситуация, когда, прежде всего, необходимо иметь для этого достаточную пропускную способность. И видите ли, вот что интересно в полной автоматизации: по определению, специалист по цепочке поставок, когда процесс автоматизирован, имеет гораздо больше возможностей уделить внимание исключительной ситуации. Обычно это не так, когда люди заняты рутинной работой.
Второй момент заключается в том, что нестабильность прогнозов является характеристикой классических точечных прогнозов на основе временных рядов. Вы добавляете немного информации, и результат начинает скачкообразно меняться, так как, согласно вашей метрике точности, именно так следует поступать для максимальной реакции и точности. Очень часто существует компромисс: если вы хотите быть достаточно точными, вам нужно очень быстро фиксировать изменения, и это делает прогноз крайне нестабильным. В этом случае, если использовать вероятностное прогнозирование, это помогает устранить проблему резких скачков, потому что у вас уже есть распределение вероятностей, которое довольно размыто. Таким образом, даже если вы наблюдаете выброс, у вас сохраняется размытое распределение вероятностей, и нет резкого скачка в распределении массы данной вероятности.
Также проблема скачков в прогнозе, даже если речь идёт о точечных прогнозах, которые могут радикально меняться, заключается, как я уже говорил, в том, почему людям не нравятся такие скачки. Ответ в том, что прогнозы обрабатываются вручную, с ручными корректировками, повторными пересмотрами и тому подобным. Но в Lokad всё автоматизировано: прогноз и решения принимаются автоматически. Поэтому, когда прогноз меняется, решения автоматически и мгновенно отражают новое состояние, учитывая, что вы могли уже финансово привязаться к определённому курсу действий. Так что, да, спрос изменился, но запас уже произведён. И теперь, даже если спрос не соответствует вашим ожиданиям, вам всё равно придётся как-то ликвидировать или продать этот запас. Таким образом, автоматизация упрощает и во многом устраняет проблему определения момента добавления информации. Информацию можно добавлять в тот момент, когда она становится доступной, и как только она появляется, она учитывается.
Джефф говорил о культуре. Интересно то, что система сразу вознаграждает людей за предоставление информации, ведь буквально в день, когда они её вносят, она подтверждается. На следующий день производственные графики полностью корректируются. Графики производства, распределение запасов, отгрузка, заказы на покупку — всё сразу отражает ту информацию, которая была внесена всего вчера. Таким образом, люди видят возможность развивать культуру своевременного предоставления информации. Они должны понимать, что когда они дают информацию, почти в течение нескольких часов она отражается во всех решениях на всех уровнях. Вот как можно сделать это осязаемым, а не говорить им: “Возвращайтесь в следующем месяце, и тогда мы начнём рассматривать ваш вопрос.”
Conor Doherty: Спасибо, Йоаннес. Джефф, я определённо хотел бы услышать твои мысли по последней части, ведь это, по крайней мере, слегка отозвалось в тебе.
Jeff Baker: Да, да. Для меня это звучит как рецепт эффекта кнута, верно? Ты говоришь, что любая, даже малейшая информация, которую я внесу, — я, конечно, ценю оперативность и техническую возможность сразу отразить лучшее решение. Проблема заключается в том, что многие из этих решений уже приняты. Если я составил своё расписание и, скажем, готовлю овсянку, и у меня есть обычная овсянка, затем овсянка с корицей, овсянка с корицей и яблоком, а потом овсянка с корицей, яблоком и грецким орехом. А если у меня вдруг появляется аллергия, то между этими вариантами существуют огромные затраты на переналадку. Теперь, если вы вмешиваетесь, и мне приходится немедленно нарушать это расписание, возникают значительные, потенциально, финансовые издержки. Если вдруг мне потребуется заказать больше исходного материала быстрее, у моего поставщика может возникнуть эффект кнута.
Таким образом, стабильность имеет свои преимущества. Фактически, ведутся активные обсуждения о том, существует ли ценный и стабильный прогноз — не самый точный, но и точный, и стабильный, поскольку стабильность действительно приносит пользу в цепочке поставок. То есть, это область, в которой мы только начинаем проводить исследования, но это указывает на то, что многие из этих решений должны быть приняты. Мы, так сказать, вбили колышек, и все будут смеяться, когда я скажу: “Замороженный прогноз.” Хотя на самом деле он не заморожен — мы все знаем, что он не является таковым, но существуют финансовые последствия внесения изменений в решения.
Таким образом, хотя технически замечательно, что мы можем отразить: “Эй, теперь это лучшее решение”, я думаю, что нужно учитывать, что если мы будем менять всё, что поступает, с этим будут связаны определённые издержки. Это может быть вполне приемлемо для некоторых цепочек поставок. Если у меня отзывчивая цепочка поставок, возможно, всё в порядке. Может быть, таков мир, в котором мы живем. Но если у нас эффективная цепочка поставок, где изменения дорогие и их трудно внести, вот где возникает проблема.
Joannes Vermorel: Понимаю. В Lokad, разумеется, моделирование затрат на изменения — это то, чем мы занимаемся. Каждое распределение ресурсов, если оно отклоняется от предыдущего, учитывается с точки зрения затрат. Это абсолютно базовый подход. Так что, ситуация не изменится, если затраты на изменения превысят ожидаемые выгоды. Для меня это опять же вызывает ассоциации с тем, как люди обычно рассматривают крайне нелепые числовые рецепты и говорят: “О, посмотрите, вот проблема.”
Например, у нас есть решение, которое крайне наивно подчинено прогнозу, без какого-либо учета текущих обязательств и так далее. Это невероятно наивно. Очевидно, что часть вашего численного рецепта должна предусматривать решение, реализующее любые затраты на изменения и прочие расходы. Их огромное количество. И вот здесь также блеск вероятностного прогнозирования. Оно дает вам еще больше. Вы учитываете тот факт, что, если вы примете это решение сейчас, вам, возможно, придется его пересмотреть в будущем. Потому что, опять же, если у вас есть этот точечный прогноз, по определению предполагается, что вы уже знаете будущее. Таким образом, ваша модель не позволяет автоматически предположить, что ваш прогноз может быть неверным. Но с вероятностными прогнозами это задано. Прогноз уже говорит вам, что спрос может быть где угодно в этом диапазоне, и у вас есть вероятности. Так что вы не только рассчитаете, оптимизируя решение, стоимость изменений, если они произойдут, но и тот факт, что изменения могут понадобиться в будущем.
Conor Doherty: Ну, господа, еще раз, я помню о времени, и у нас еще как минимум четыре вопроса. Но в духе равноправия я задам следующий вопрос, э-э, Джеффу. Может ли FVA стать хорошим подходом, чтобы помочь снизить давление на корректировку статистических моделей для соблюдения бюджетных ожиданий? Во второй части, как специалист по данным в цепочке поставок…
Извините, на самом деле, я должен задать этот вопрос. Простите, я на самом деле должен задать его Йоаннесу. Извините. Может ли FVA быть хорошим подходом, чтобы помочь снизить давление на корректировку статистических моделей для соблюдения бюджетных ожиданий? И как специалист по данным в цепочке поставок может ориентироваться в политике и иерархии при столкновении с такими вызовами? А Джефф, я обращусь к вам за комментарием.
Joannes Vermorel: Опять же, вот в чем проблема точечных прогнозов. Точечные прогнозы подразумевают, что вы знаете будущее. Так что, если вы знаете будущее, то всё — план, всё — становится делом оркестрации, и ваш прогноз указывает бюджет, необходимый для всего. И это неправильно, потому что, во-первых, в прогнозе есть неточности, и вы полностью игнорируете неопределенность.
Точечный прогноз жестко привязан к определенному бюджету. Это абсолютно не является лучшей практикой. Но если мы переходим к миру вероятностных прогнозов, то внезапно все эти проблемы исчезают. У вас появляются возможные будущие сценарии, и тогда можно учитывать все расходы бюджета. Если вы говорите мне, что у вас есть такое количество ресурсов, тогда вы будете рассматривать, как распределить эти ресурсы для максимальной эффективности с учетом вероятностей будущего.
И, кстати, у нас есть пример этого. Если люди хотят иметь таблицу, они могут посмотреть приоритизированное пополнение запасов в Excel с использованием вероятностных прогнозов на нашем сайте. Это Excel-таблица, которая демонстрирует, что с вероятностным прогнозом вы можете выбрать любой бюджет, который у вас есть, и он даст вам наилучший результат для вашего бюджета. Опять же, это проблема точечных прогнозов как дефектной парадигмы. Классические временные ряды являются дефектной парадигмой, и в итоге вы сталкиваетесь с множеством проблем, которых у вас не было бы, даже концептуально, если бы вы не были привязаны к дефектной парадигме.
Jeff Baker: Просто хочу отметить, что дефектная парадигма успешно работала для многих компаний на протяжении десятков и десятков лет. Так что я бы не называл её дефектной. Что касается бюджета, знаете ли, прогноз и бюджет — это огромная проблема, потому что бюджеты являются амбициозными. Лучшее, что мы можем сделать, и опять же, с точки зрения продаж и операций, я всегда прошу своих клиентов строить прогноз на 18 месяцев. Так что, угадайте, что? К середине 2025 года мы уже начали смотреть в сторону 2026 года. Мы можем понять, каким будет наиболее вероятный сценарий на 2026 год.
Затем, на его основе, вы можете наложить свои амбициозные цели. С этим нет никаких проблем, но затем вы вынуждаете разговор: что должно произойти, чтобы мы увеличили продажи на такую сумму, а затраты сократились на такую? Это часть дискуссии. Таким образом, лучший способ — базировать ваш бюджет на надежном статистическом прогнозе или на любом консенсусном прогнозе, который у вас есть на будущее. Базируйте ваш бюджет на нем. Затем, если появляются отклонения, пусть существуют планы по продажам, маркетингу и производству для устранения этих разрывов. Худшая практика — подход «башни из слоновой кости», когда бюджет задается, финансы его внедряют, и это напоминает мне старые задачи по исчислению, где вывод оставлен на усмотрение пользователя, и мы такие: «О, как, черт возьми, мы это сделаем?» Так что это худшая практика — просто подсовывать эти величины.
Таким образом, я думаю, это способ убедиться, что ваш исходный бюджет основан на реальности и подкреплен планами для достижения целей. И второе, что я говорю: FVA для этого идеален. Это то, что показывает наш статистический прогноз. Что касается бюджета, для него нет FVA, верно? Он является амбициозным. Но вы указываете, где находятся пробелы, и вынуждаете вести разговор о том, как их устранить. Да, я думаю, мы все согласны, что еще одной абсолютно худшей практикой является равенство прогноза и бюджета. Это сводит меня с ума.
Conor Doherty: Спасибо, Джефф. Я перейду к следующему комментарию, следующему вопросу, извините, и этот напрямую для Йоаннеса. Это вопрос от Тимура, насколько я помню. Я нахожу FVA полезным, но иногда его охват ограничен. Вы согласны с метафорой Джеффа о том, что FVA похож на молоток, или видите это иначе?
Joannes Vermorel: То есть, да. Не уверен полностью. Моя критика FVA заключается не в том, что он представляет собой молоток. Скорее, я считаю, что он работает в рамках неправильных парадигм. Это странно и обусловлено неправильными парадигмами. Снова: временные ряды, классический точечный прогноз, тот факт, что он основан на точности, а не на измерениях в процентах ошибки или в долларах ошибки. Видите ли, существует множество парадигматических проблем, и именно поэтому я считаю, что эти подходы дефектны. Я остаюсь при своем мнении по этому поводу. Те трения, через которые проходят компании на практике, скорее являются проявлением всех этих проблем.
Если вам нужна хоть какая-то анекдотическая доказательность того, что эти парадигмы дефектны, то с 1970-х годов теория цепочки поставок обещала полную автоматизацию процессов принятия решений. Это было, кстати, предложение Oracle из 70-х: вы получите полностью алгоритмически управляемое управление запасами. Это не произошло и снова терпело неудачу. Суть моего аргумента в том, что, по моему мнению, и у меня есть масса подтверждающих аргументов, это отражает тот факт, что парадигмы, математические инструменты, сами инструменты просто неверны. В итоге вы сталкиваетесь со множеством странных проблем. Возвращаясь к метафоре с молотком: да, иногда кажется, что пытаешься использовать молоток, чтобы затянуть винты. Дело не в том, что молоток плох сам по себе; дело в том, что вы пытаетесь сделать то, для чего молоток не является подходящим инструментом.
Conor Doherty: Джефф, если у вас есть что добавить, пожалуйста, комментарий.
Jeff Baker: Нет, кроме того, что аналогия с молотком заключалась в том, что инструмент нужно использовать правильно. Так что, FVA — это инструмент. Если вы не используете инструмент правильно, вы не получите от него пользы. Вот моя аналогия.
Conor Doherty: Спасибо. Продолжаем. Этот вопрос от Марины. Нет четкого указания, для кого он, поэтому сперва обращусь к Джеффу. С учетом быстрого развития ИИ и возможности иметь все данные в ближайшем будущем, как вы думаете, станет ли FVA более эффективным или даже более необходимым?
Jeff Baker: Более эффективным или более необходимым? Это интересный вопрос. Я думаю, что по мере того как ИИ становится все более распространенным, а объем данных растет, нам придется научиться контекстуализировать их и принимать на их основе решения. Можно даже представить ситуацию в далеком будущем, когда мы сможем контекстуализировать всю эту информацию, крупные языковые модели включат её, и, как отметил ты, Йоаннес, начнут систематизировать эти данные. Это может привести к тому, что FVA будет выглядеть так: «Ну, хорошо, мы принимаем все эти решения, и они отличные».
Возможно, тогда у вас останутся весьма исключительные случаи значимых событий, например, когда конкурент выходит из бизнеса или проводит промоакцию одновременно с экономическим спадом, а также наблюдается рост вашей сезонности. Возможно, их начнут учитывать. Так что, я думаю, что, вероятно, появятся легкие возможности, где ИИ будет фантастически справляться с обработкой всех этих данных, пониманием взаимосвязей, а также разграничением шума — что ценно, а что нет. Таким образом, я могу предположить, что в будущем он может оказаться даже немного менее ценным, когда мы начнем автоматизацию.
Conor Doherty: Спасибо, Джефф. Йоаннес, ИИ и FVA, будущее: да, нет, хорошо, плохо?
Joannes Vermorel: Я думаю, снова, нам нужно отойти от искусственного интеллекта. Давайте рассмотрим это с точки зрения объема информации: транзакционные системы содержат гигабайты информации. Я имею в виду, гигабайты, если хотите быть по-настоящему изысканными. Данные транзакций — это гигабайты информации, в то время как информация, которую люди держат в голове, — это всего лишь килобайты. То, что люди имеют в голове, не является огромным объемом информации. Люди не являются, скажем, ментатами, как я бы сказал в серии «Дюна» для почитателей этого. Это означает, что 99% проблемы принятия правильных решений сводится к тому, чтобы на основе обыденной транзакционной информации принимать решения. Это 99% всей информации.
Что касается части проблемы, связанной с обработкой числовых данных в табличной форме, я не считаю, что крупные языковые модели здесь особенно актуальны. Да, они могут быть очень эффективными инструментами для программирования, позволяющими самому написать код с их помощью. Это одно. Но могут ли они делать больше, кроме написания кода? Это становится весьма неясно.
Теперь, что касается тех килобайт информации, которыми люди располагают в своей голове, могут ли они использовать эту информацию, чтобы преобразовать её в нечто количественное? Я бы сказал, да, но вызов по-прежнему заключается в инженерном обеспечении этого процесса от начала до конца, в создании цепочки для автоматизированной прогностической оптимизации. Это настоящая задача, и здесь мы испытываем пределы человеческого интеллекта для правильного выполнения. Поэтому я не вижу в ближайшем будущем, чтобы существующий ИИ справлялся с этим лучше, чем, скажем, AI-компания, замещающая Microsoft путем переписывания версии Microsoft Word с помощью ИИ. Это такая область, где ИИ может помочь написать код, но все равно требуется много интеллектуального контроля со стороны человека, по крайней мере в рамках текущей парадигмы с LLM. Они пока ещё не суперумны.
Conor Doherty: Но, все же, осталось еще два вопроса. Джефф, если хотите, можем сразу перейти к следующему.
Jeff Baker: Отлично.
Conor Doherty: Спасибо. Этот вопрос для вас. Я начну первым. Это от Марка. Как можно эффективно преобразовать доверительные интервалы прогноза в одно дискретное число, например, заказ на покупку или заказ на выполнение работы? Будет ли постпрогностический анализ лучшим подходом 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 систему планирования. Вам необходимо сделать выбор в пользу конкретного числа. А интересный момент заключается в том, какая вариативность этого числа? Насколько моя система устойчива? Что произойдет, если оно увеличится, скажем, на 20%, 30% или еще как-то? Но это становятся сценариями, которые вы можете начать исследовать, верно? Так что да, это был бы мой ответ.
Conor Doherty: Спасибо. Йоаннес, есть что добавить?
Joannes Vermorel: Да, опять же, если вы считаете, что проблему нужно решать в рамках парадигмы, где прогноз спроса дает вам единственное число для решения по запасам, то возникает проблема отсутствия неопределенности. Она просто не может существовать. Вот почему люди, вновь возвращаясь к этой неправильной перспективе, подходят к проблеме с вопросом: «А как быть с этими доверительными интервалами? Что мне с ними делать? О, мне нужно придумать число». И это парадигматическая ловушка. Вы застряли в дефектных концепциях.
Таким образом, если вы подходите к проблеме с текущей парадигмой, где прогноз спроса дает прямое число для решения по запасам, единственный способ решить её — сохранить при принятии решения тот факт, что оно отражает все возможные сценарии. Дело не в том, чтобы выбрать число для запасов; вы выбираете конкретный спрос. Нет, ваше решение по запасам должно отражать все возможные сценарии с их приоритетами и выражать различные риски в денежном выражении. Вот почему здесь нужен иной подход. И возвращаясь к вопросу, если вы остаетесь в парадигме временных рядов, вы не знаете, что делать с доверительными интервалами. Они не вписываются в систему.
Jeff Baker: Я бы сказал, что вы точно знаете, что делать с этими доверительными интервалами, потому что если у меня есть ошибка прогноза на моем сроке выполнения, то она учитывается при расчете моего резервного запаса. Согласитесь вы с этим или нет, существуют четко определенные методы расчета резервного запаса с учетом изменчивости спроса и изменчивости срока выполнения. Так что, если мы это возьмем, у нас есть — и опять же, я не хочу углубляться в теорию управления запасами — но существуют статистические расчеты резервного запаса, которые отлично работают, используя точечный прогноз вместе со стандартной ошибкой прогноза на срок выполнения, и дают вам значение резервного запаса. Мы можем спорить до бесконечности о том, каково распределение этой ошибки и подходит ли нормальное распределение, но именно так большинство компаний, в которых я работал, и большинство компаний, о которых я слышал на конференциях, учитывают эту ошибку прогноза.
Conor Doherty: Я отвечу на последний вопрос. Как модели машинного обучения должны учитывать корректировки для известных событий, таких как появление крупного нового клиента, которые не включены в каузальные факторы статистического прогноза? Йоаннес, начнем с тебя.
Joannes Vermorel: Опять же, мы сталкиваемся с проблемой работы с информацией, у которой нет четкой алгоритмической структуры, и нельзя просто использовать машинное обучение как модное слово, чтобы сказать: “О, технология что-то для меня сделает.” Мы входим в область неформального прогнозирования. Для аудитории я настоятельно рекомендую книгу Филипа Тетлока “Суперпредсказание”. Если у вас нет четкой базы, что вы будете делать?
Машинное обучение не даёт ответа на этот вопрос. Машинное обучение, по крайней мере классическая парадигма, основанная на обучении с учителем, вход-выход, вовсе не решает эту задачу. Я считаю, что если вы ознакомитесь с работой проекта Good Judgment Project и используемыми ими техниками, то увидите, что они разработали методы более высокого уровня интеллекта. Под “высшим интеллектом” я подразумеваю, что для применения этих техник нам требуется система, демонстрирующая ту же нечеткую интеллектуальность, что и LLM или даже выше.
Они выявили методы, общаясь с супер-прогнозистами, людьми, которые первопроходцами продемонстрировали превосходные навыки прогнозирования в подобных ситуациях, и изучили, какие техники объединяют всех этих людей. Удивительно, но все они пришли практически к одному и тому же набору методов. Короче говоря, существуют методы, но они требуют значительной доли суждения. Исходя из эмпирических результатов, я не думаю, что в такой ситуации можно обойтись исключительно алгоритмом машинного обучения.
Вам нужно построить обоснование, нечто вроде бизнес-кейса, где вы конструируете свои собственные предположения, декомпозируете ситуацию, оцениваете различные факторы и пытаетесь прийти к разумному выводу. Но что означает слово “разумное” в формальном определении? Это чрезвычайно сложно, и, тем не менее, люди могут взглянуть на обоснование и прийти к согласию.
Таким образом, моя точка зрения такова: не ожидайте, что классическое машинное обучение станет решением. LLM, возможно, будет вспомогательным инструментом для формирования такого рассуждения, безусловно, для мозгового штурма по декомпозиции и количественной оценке различных факторов проблемы. Но в конечном счёте именно эксперт по прогнозированию должен внимательно рассмотреть ситуацию и принять решение по поводу импровизированного численного моделирования. Это будет наилучшей практикой, по крайней мере, согласно эмпирическим исследованиям Good Judgment Project.
Conor Doherty: Джефф, что ты думаешь?
Jeff Baker: Да, я считаю, нам нужно быть осторожными с избытком подобных подходов. Будь то машинное обучение, будь то ИИ, если вбросить туда слишком много всего, можно начать путать корреляцию с причинно-следственной связью. Один из классических примеров, которые я испытал на одном из занятий, касался модели множественной регрессии. Мы постоянно добавляли факторы, и подгонка модели становилась всё лучше. Мы добавили цену, и вдруг, угадайте, что получилось? Если я повышу цену, продажи увеличатся, да? Это совершенно противоречит здравому смыслу. Причинно-следственная связь, очевидно, нарушилась, но корреляция улучшилась.
Таким образом, нам нужно быть действительно крайне осторожными, так как в какой-то момент мы начинаем моделировать шум. Мы начинаем задавать вопросы, будь то машинное обучение или ИИ, и спрашивать их. Проблема в том, что ИИ ответит с излишней уверенностью, как пятилетний малыш, верящий в Зубную фею. Именно это и происходит. Поэтому нужно быть аккуратными. И с этим я согласен с Йоаннесом. Необходимо учитывать контекст, найти эксперта, который сможет это оценить. Не пытайтесь создать совершенную модель, так как в какой-то момент ваши результаты окажутся не такими, как вы ожидали.
Conor Doherty: Ну, господа, на данный момент у аудитории больше нет вопросов. Но есть один последний вопрос, который может служить завершающим аккордом. Начну с Джеффа. Тема дебатов была FVA: является ли это лучшей практикой или пустой тратой времени? Вы оба слушали друг друга почти 80 минут. Джефф, как ты относишься к этому утверждению сейчас? Слушая, как ты излагаешь свои аргументы и возражаешь Йоаннесу, ты кажешься довольно великодушным и принимающим многие из его точек зрения. Мне просто интересно: как ты примиряешь тот факт, что Йоаннес может быть прав в некоторых, во многих или во всех своих аргументах? Как ты совмещаешь это с позицией, что FVA всё ещё остаётся лучшей практикой?
Jeff Baker: Да, я ценю этот открытый обмен идеями, и, думаю, да, я всё ещё могу утверждать, что на данный момент Forecast Value Added является лучшей практикой. Нам это необходимо сейчас.
Ранее Барина задала отличный вопрос — в будущем, по мере развития технологий, значимость FVA может постепенно уменьшаться. Возможно, мы сможем это количественно оценить, параметризовать процесс, встроить его в модель и принимать решения автоматически. Однако, я считаю, что нам всегда понадобится процесс, в котором налажено сотрудничество и учитываются продажи, маркетинг и внешние факторы.
Могу ли я предположить, что его роль потенциально сократится? Да. Я упоминал ту область с высокой ценностью и высокой вариабельностью, и я определённо вижу, что она станет менее значимой в будущем. Но на данный момент я всё ещё считаю FVA лучшей практикой и уверен, что она останется таковой даже после моего ухода на пенсию.
Итак, в ближайшем будущем — да, FVA остаётся важной. В долгосрочной перспективе, я думаю, что у Йоаннеса есть очень хорошее видение того, каким это может быть, и я не вижу в этом больших проблем. Можно сказать, что наши взгляды примерно на 50% совпадают по многим из этих идей.
Conor Doherty: Ну, спасибо, Джефф. А ты, Йоаннес, не изменил ли ты своего мнения после всего услышанного? Проще говоря, является ли это по сути неодолимым объектом и неудержимой силой?
Joannes Vermorel: То есть, я бы сказал, если вернуться к тому, что я называл мейнстримной теорией цепочки поставок, частью которой является FVA, то это вполне последовательно. Я это допускаю.
Таким образом, если принять все эти идеи, все эти парадигмы и так далее, то да, с этой точки зрения ситуация выглядит неплохо. Но я всё же буду немного осторожен с уровнем бюрократической нагрузки, которую можно создать.
Опять же, привлечение большого количества людей – это рецепт на то, что время многих будет потрачено впустую. Как только вы создаёте какую-то поперечную структуру, которая будет бросать вызов всем, она всё равно может породить массу рутинной работы.
В моем окружении есть примеры людей, которые занимаются громадным количеством рутинной работы в этих вопросах, особенно в том, что касается периферийных или вспомогательных процессов S&OP.
Теперь, как известно, Lokad работает более десятилетия, используя различные парадигмы. Кстати, Джефф, существует целая серия лекций, почти 100 часов контента на YouTube, подтверждающих эту альтернативную концепцию.
Но интересный факт в том, что когда вы переходите к другим парадигмам, другим инструментам, другим методам, подавляющее большинство этих проблем просто исчезает. Появляются новые проблемы, совершенно иного характера, но операционно вы всё равно сталкиваетесь с чем-то очень странным.
Речь идёт о цепочках поставок, где почти все решения принимаются автоматически. И, кстати, в 2020-2021 годах у нас был очень странный опыт, когда десятки клиентов отправили всю свою офисную команду работать из дома.
У нас был клиент с запасами на сумму более миллиарда евро, который отправил весь свой персонал домой на 14 месяцев без доступа к интернету, чтобы получить государственные субсидии. Их цепочка поставок продолжала работать примерно на 80% от номинальной мощности, при этом Lokad принимал все решения без какого-либо надзора.
Обычно мы генерируем решения, но у нас есть множество людей, которые проверяют, что мы делаем всё правильно. Мое мнение таково: если можно управлять гиперсложными цепочками поставок на миллиарды евро в течение 14 месяцев без постоянного микроменеджмента, это действительно ставит под вопрос добавленную ценность всех этих людей и то, чего мы вообще можем ожидать от автоматизации.
Я думаю, люди говорят об ИИ и прочем, но мой подход заключается в том, что для достижения автоматизации необязательно иметь суперсовременную гиперпараметрическую модель с триллионом параметров.
В заключение, я считаю, что FVA относится к той сфере, где люди непосредственно управляют цепочкой поставок. Я вижу это так: машина управляет цепочкой поставок, а люди управляют машиной, а не цепочкой поставок.
Conor Doherty: Ну, спасибо. По обычаю мы предоставляем слово гостям в заключение. Так что, Джефф, большое спасибо за участие. Если у тебя есть какие-либо завершающие комментарии, пожалуйста, высказывай их.
Jeff Baker: Нет, просто большое спасибо за эту возможность. Ценю этот разговор, который был отлично модерирован, Конор. Большое спасибо.
Я стремлюсь приносить удовольствие. Благодарю за участие аудитории в вопросах. Думаю, всегда интересно, когда встречаются две противоположные точки зрения, ведь обе они обогащаются от такого обмена. Честно говоря, я ценю эту возможность. Было приятно с вами поговорить.
Joannes Vermorel: Спасибо, Джефф.
Conor Doherty: Йоаннес, большое спасибо за твоё время. Джефф, большое спасибо за твоё. Всем спасибо за просмотр. Увидимся в следующий раз.