00:00:00 Введение в эвристики в цепях поставок
00:01:14 Примеры эвристик: политика мин-макс, FIFO, ABC-анализ
00:03:15 Происхождение и неформальное использование эвристик в компаниях
00:06:28 Подходы человека и алгоритмы в решении задач
00:09:58 Эвристики с точки зрения информатики
00:13:27 Проблема банальных взглядов на эвристики
00:17:22 Эвристики в цепях поставок и иллюзия причинности
00:22:00 Необходимость метрик для оценки эффективности эвристик
00:26:35 Различие между алгоритмами и эвристиками на практике
00:30:26 Экспериментальная проверка и эмпирическая оптимизация
00:36:33 Обманчивая интуиция в решениях по цепям поставок
00:41:27 Пример стратегии посадки в авиакомпании и интуиция
00:46:47 Отсутствие финансовых метрик в решениях по цепям поставок
00:53:05 Ограничения человека в сложном планировании против алгоритмов
00:58:47 Заключительные мысли и выводы
Резюме
В недавнем эпизоде LokadTV, директор по коммуникациям в Lokad, Конор Дохерти взял интервью у Жоанна Вермора, генерального директора Lokad, о эвристиках в управлении цепями поставок. Они обсудили использование простых инструментов решения задач, таких как FIFO и ABC-анализ, отметив их ограничения и необходимость более надежных математических подходов. Жоанн объяснил, что, хотя эвристики предлагают прямолинейные решения, им часто не хватает последовательности и эмпирической проверки. Он подчеркнул важность различения истинных эвристик и произвольных числовых рецептов, призывая к реальным оценкам и экспериментам для проверки практик в цепях поставок. Беседа подчеркнула необходимость критической оценки и эмпирических данных для оптимизации решений по цепям поставок.
Расширенное резюме
В недавнем эпизоде LokadTV, директор по коммуникациям Lokad Конор Дохерти провёл дискуссию, заставляющую задуматься, с Жоанном Вермора, генеральным директором и основателем Lokad, французской компании, специализирующейся на прогнозной оптимизации цепей поставок. Беседа углубилась в использование эвристик в управлении цепями поставок, исследуя их ограничения и сравнивая их с более надёжными математическими подходами.
Конор начал с введения понятия эвристик, которые представляют собой простые инструменты решения задач, такие как FIFO (первым пришёл — первым обслужен), LIFO (последним пришёл — первым обслужен) и ABC-анализ, широко используемые при принятии решений в цепях поставок. Он отметил, что эти эвристики часто применяются для работы с неопределённостью и попросил Жоанна пояснить, что специалисты по цепям поставок подразумевают под эвристиками.
Жоанн объяснил, что в индустрии эвристики представляют собой, по сути, формализованные правила, используемые для принятия решений. Например, мин-макс политика запасов, где максимальный уровень запасов определяется как потребность на три месяца, является эвристикой. Эти эвристики предлагают простые решения сложных проблем, но они часто являются произвольными и не последовательны между различными планировщиками и компаниями.
Конор задал следующий вопрос, интересуясь происхождением этих эвристик. Жоанн ответил, что это самые простые решения, которые люди могут придумать для решения конкретных проблем. Например, FIFO гарантирует, что все товары в конечном итоге будут выбраны и обработаны, предотвращая порчу. Однако он подчеркнул, что эти эвристики не обязательно являются оптимальными решениями.
Затем Жоанн представил критическое различие между эвристиками, как их понимают экономисты, и эвристиками в управлении цепями поставок. В естественных задачах, таких как взять стакан воды, люди эффективно используют эвристики, поскольку эволюция наделила нас необходимыми инстинктами. Однако проблемы цепей поставок — это дискретные числовые задачи, которых не существует в природе, и наши врождённые эвристики не предназначены для их решения.
Конор и Жоанн обсудили ограничения традиционных эвристик, таких как FIFO и ABC-анализ. Жоанн утверждал, что эти методы часто представляют собой произвольные числовые рецепты, а не настоящие эвристики, поскольку им не хватает метрик для оценки их эффективности. Он подчеркнул важность различения между эвристиками и произвольными числовыми рецептами, которые могут вводить в заблуждение.
Конор представил точку зрения розничного торговца, предполагая, что простые методы, такие как ABC-анализ, работают, потому что они приносят прибыль. Жоанн возразил, что прибыльность не оправдывает каждую практику в бизнесе. Он привёл в пример Apple, отметив, что некоторые практики могут не способствовать напрямую прибыли, но всё же применяются.
Разговор перешёл к проблемам проверки эвристик в реальных цепях поставок. Жоанн объяснил, что, в то время как алгоритмы обладают доказуемыми свойствами, эвристики требуют эмпирической оценки через эксперименты. Он привёл в пример стохастический градиентный спуск, эвристику, получившую признание за свою практическую эффективность, несмотря на отсутствие формального доказательства.
Конор и Жоанн обсудили сложность оценки качества эвристик без чётких метрик. Жоанн подчеркнул необходимость, чтобы компании проверяли свои числовые рецепты с помощью экспериментов, а не полагались на предположения об их эффективности. Он сослался на свою лекционную серию по экспериментальной оптимизации, подчеркнув важность выявления целей оптимизации и различия между эмпирической и математической проверкой.
Жоанн также затронул психологическую предвзятость, связанную с влюблённостью в собственные идеи, что может привести к принятию произвольных политик без должной проверки. Он предостерёг от предположения, что традиционные методы по своей природе хороши, только потому что они не привели к банкротству.
Дискуссия завершилась тем, что Жоанн посоветовал, чтобы термин “эвристика” использовался исключительно для обозначения простых и эффективных числовых рецептов, подтверждённых эмпирическими данными об их успехе. Он подчеркнул важность реальной оценки в финансовом плане и необходимость, чтобы компании критически оценивали свои методы.
Конор завершил интервью, поблагодарив Жоанна и аудиторию, и призвал зрителей подписаться на YouTube-канал LokadTV и следить за ними в LinkedIn для получения дополнительных содержательных обсуждений по оптимизации цепей поставок.
Полная стенограмма
Конор Дохерти: С возвращением на LokadTV. Эвристики лежат в основе большинства решений, принимаемых в контексте цепей поставок.
Эвристики — это простые инструменты решения задач, которые направляют нас в моменты неопределённости. Подумайте о FIFO, LIFO и ABC-анализе.
Сегодня вместе с Жоанном Вермора мы обсудим ограничения этих эвристик и сравним их с более надёжной математической перспективой.
Как всегда, если вам нравится услышанное, подписывайтесь на наш YouTube-канал и следите за нами в LinkedIn. А теперь представляю вам эвристики в цепях поставок.
Как я упоминал во введении, мы здесь, чтобы поговорить об эвристиках, особенно в цепях поставок. Итак, для начала, когда специалисты по цепям поставок, знаете, в офисе, говорят об эвристиках, о чём они говорят? Что они имеют в виду?
Жоанн Вермора: То есть, большинство специалистов по цепям поставок, вероятно, не будут использовать термин эвристики. Он уже звучит немного претенциозно. Когда я думаю об индустрии в целом, когда люди говорят “эвристика”, это означает, что у них есть своего рода формализованное правило, которое используется для принятия решения.
Например, у нас есть политика запасов мин-макс, где максимум определяется как равный трёхмесячной потребности. Вот и всё. Это и есть моя эвристика.
И интересный аспект эвристик в том, что, как считается, с мировой точки зрения, у вас есть сложная проблема, а ваша эвристика даёт простое решение этой проблемы.
Конор Дохерти: Ну, многие просто записывали слова, согласованные комитетом. Так что мой следующий вопрос заключается в том, что когда вы говорите в примере мин-макс, что будет три месяца потребности, это всего лишь произвольное решение. Значит ли это, что это всего лишь общее правило?
Жоанн Вермора: Да, в основном, всё сводится к этому. То есть, возможно, люди неформально пробовали несколько альтернатив, и их интуиция подсказывала, что два месяца — недостаточно, шесть месяцев — слишком много, и так они сходились к какому-то компромиссу.
Или ещё чаще, последовательности просто нет. Каждый специалист по спросу и поставкам имеет свой набор правил, свою коллекцию эвристик, которые используются.
Редко когда компании устанавливают какие-либо практики в отношении эвристик. По крайней мере, когда компании говорят, что у них есть эвристики, это обычно означает, что они не являются обязательными и носят довольно неформальный характер, и существует большая степень свободы в выборе параметров этих эвристик.
Конор Дохерти: Ну, то есть, вы привели пример мин-макс. Есть также такие методы, как FIFO, LIFO, ABC-анализ. Существует целый спектр эвристик. Откуда они берутся? Из какого эфира они появляются?
Жоанн Вермора: То есть, это просто самые простые решения, которые можно придумать, чтобы дать ответ на стоящую перед вами проблему. Например, давайте рассмотрим FIFO.
Одна из самых базовых проблем, если вам нужно итеративно обрабатывать поступающие данные, — это как не оставить что-либо в стороне навсегда. Вот и всё.
Если вы не определитесь с порядком и будете выбирать вещи случайным образом, то вполне возможно, что один элемент так и останется не выбранным. Его просто отодвигают в сторону, и он так и не обрабатывается.
И это плохо, потому что в итоге этот элемент испортится. Будь то скоропортящийся продукт или нет, все товары со временем утрачивают свои свойства.
Таким образом, вам нужен процесс, который хотя бы гарантирует, что в конечном итоге всё, что поступает к вам, будет выбрано, обработано и отправлено куда-либо далее.
Таким образом, если вы выбираете принцип “первым пришёл — первым обслужен”, это просто базовый способ обеспечить выбор всех элементов. Хорошая ли это политика? Это зависит, но, безусловно, она даёт вам это свойство.
Таким образом, можно сказать, что это, безусловно, решение этой проблемы. Но является ли оно хорошим решением? Это уже совсем другой вопрос.
Конор Дохерти: Ну, это именно следующий вопрос, потому что вы не использовали термин оптимальности или не сказали “оптимальное решение”. Конечно, в ситуациях, подобных описанной вами, когда вы находитесь в ремонтной мастерской, поступают два двигателя или вы приходите утром, и там много двигателей, и вам приходится решать, что ремонтировать первым, какой график выбрать, и вы пытаетесь прийти к тому, что хотя бы выглядит как хорошее или оптимальное решение.
Так что мой вопрос заключается в следующем: какова, на ваш взгляд, верхняя граница оптимальности, которую можно достичь с помощью таких эвристик? Возьмём, например, FIFO.
Жоанн Вермора: Я не думаю, что это правильный подход к постановке проблемы. Думаю, нам нужно отойти назад и понять, что когда речь идёт об эвристиках, существует две радикально разные точки зрения на них, и нам нужно остановиться и обдумать это.
Первая точка зрения — эвристики так, как, скажем, думают экономисты, или, например, когда мне нужно взять стакан воды. Я могу протянуть руку и взять его.
Физик мог бы сказать: “О, требуется примерно миллион вычислений, чтобы рассчитать точную траекторию моей руки, каждого пальца, точную массу, точную силу,” — и это были бы все расчёты, которые мне потребовались бы, если бы я хотел, чтобы роботы совершали идеальные вычисления по перемещению роботизированной руки для взятия стакана.
Но оказывается, что человек так не работает. Вместо этого мы используем массу эвристик, таких как, например, метод “меры на глаз”. “Я слишком много вправо, ой, поверни налево,” и “Достаточно ли давления? О нет, стакан скользит, нажми сильнее.”
Таким образом, у вас есть множество эвристик, которые позволяют решить очень сложную задачу, но с базовой обработкой, которая гораздо проще. По сути, когда вы берёте стакан воды, ваш мозг не решает в режиме реального времени дифференцируемые уравнения. Он просто использует кучу эвристик, которые работают прекрасно, и тогда вы успешно берёте стакан воды.
И оказывается, что для множества явлений в реальном мире, природа, вселенная, что угодно, предоставили нам прекрасные решения, которые, казалось бы, предназначены для невероятно сложных проблем, и они просто работают.
Кстати, чтобы стоять на двух ногах, также требуются разные эвристики. Когда люди пытаются создать робота, который ходит на двух ногах, они понимают, что это на самом деле очень, очень сложно, потому что мы не знаем этих эвристик.
Теперь ситуация в цепях поставок иная. Здесь я описываю эвристики для задач, которые оставались проблемой на протяжении последних полумиллиарда лет для всех живых существ в их движении.
Конор Дохерти: Они также являются бессознательными. Я говорю о решениях.
Joannes Vermorel: Да, я имею в виду, что взять стакан воды — это решение. Движение рукой — это решение. Но здесь речь идет о дискретных числовых решениях. Это то, чего не существует в природе.
В природе вы не думаете в терминах дискретных числовых решений, таких как сколько продуктов мне нужно поставить завтра, послезавтра и так далее. Это дискретные числовые решения, которые совершенно не похожи на то, что встречается в природе.
Таким образом, первый момент, который я хочу отметить, состоит в том, что если мы примем эту неявную перспективу, исходящую, скажем, из естественного мира, касательно эвристик, мы можем сказать, что люди просто наделены способностью применять очень простые решения к сложным задачам, которые работают прекрасно.
Мой аргумент заключается в том, что это не работает для искусственно созданных ситуаций, таких как цепочка поставок, где речь идет о решении дискретных числовых задач. Эти классы задач совершенно не похожи на те, с которыми мы сталкиваемся в природе, и мы не можем предполагать, что у нас есть какое-либо врожденное чувство того, что сработает.
Эволюция не наделила нас способностью оценивать, какой является оптимальным пополнение запасов для сложной сети цепочки поставок. Это очень фантастическое утверждение, если говорить, что эволюция дала нам что-либо, касающееся такой задачи.
Таким образом, я говорю, что нам нужно взглянуть на эвристики под другим углом, тот, который принят в компьютерных науках. В информатике, когда у нас есть задача, если у нас есть решение, которое можно доказать как корректное с хорошими свойствами для этой задачи, мы называем его алгоритмом.
Вот что такое алгоритм. Алгоритм в компьютерных науках — это числовой рецепт, где присутствуют формальные элементы доказательства.
Например, сортировка списка. У вас есть неупорядоченный список элементов, который вы хотите отсортировать от наименьшего к наибольшему. Существует множество способов сортировки списка, но некоторые из них дадут вам решение, требующее минимального числа шагов и минимального объема памяти для сортировки всех этих чисел.
Вот и алгоритм для вас. Алгоритм — это решение, которое можно доказать как корректное и, кроме того, оно обладает дополнительными свойствами, которые хорошо соответствуют решаемой задаче.
Эвристика, опять же с точки зрения компьютерных наук, — это числовой рецепт, который работает очень хорошо на практике, даже если вы не знаете формально, почему он работает или почему он работает так хорошо.
И оказывается, что существуют классы решений, которые представляют собой скрытые жемчужины, работающие прекрасно, которые чрезвычайно просты, и при этом никто на самом деле не знает, почему.
Так, пример, применимый к цепочке поставок? Да, многие из них применимы к цепочке поставок. Например, используется стохастический градиентный спуск. Это процесс, который был открыт. Он концептуально очень прост. Его можно записать в четырёх строках. Скорее всего, он был открыт в 50-х, хотя это немного неясно. Идея настолько проста, что, вероятно, её изобретали неоднократно.
И всё же, в общем, сообщество не уделяло должного внимания стохастическому градиентному спуску до 15 лет назад. Почему? Потому что люди на самом деле не заметили, насколько хорошо он работал на практике.
Conor Doherty: По каким задачам?
Joannes Vermorel: Все задачи обучения, все задачи оптимизации и масса других ситуаций. Так что это полуб универсальная эвристика, работающая в чрезвычайно широком спектре ситуаций.
Это даже озадачивает — само по себе огромное разнообразие применимости стохастического градиентного спуска изумляет. И всё же у нас нет математического доказательства, чтобы объяснить, почему он работает так хорошо. Он просто работает.
Так что это очень интересно. И вот, когда компьютерные ученые говорят об эвристиках, они имеют в виду эвристики как скрытые жемчужины. И, кстати, если вернуться к вашему первоначальному вопросу, эвристика по определению — это нечто, по крайней мере точное определение, данное компьютерными специалистами: это числовое решение, для которого отсутствует доказательство.
Таким образом, по определению, эвристика — это когда вы не знаете, насколько вы далеки от оптимума. Это практически само собой разумеется. Если бы вы знали, то по определению это был бы алгоритм. Потому что алгоритм — это, буквально, когда вы можете доказать его корректность плюс дополнительные свойства, и ваш числовой рецепт превращается в то, что называется алгоритмом.
Conor Doherty: Алгоритм, понятно, так что я попытаюсь всё это суммировать, и дайте знать, если я где-нибудь ошибусь. Но, как я понимаю, проблема с традиционными эвристиками, такими как FIFO, например, заключается в том, что когда люди пытаются их применять, это слишком поспешное решение для задачи, которую человеческий разум не в состоянии осмыслить.
Joannes Vermorel: Нет, я бы сказал, что проблема в том, что люди, и я бы сказал, что ошибка, совершаемая с эвристиками, заключается в подходе с точки зрения любителя, а не с точки зрения компьютерного специалиста, — это приписывание некоторой степени правильности вашему числовому рецепту. Вот почему я предпочитаю использовать термин «числовой рецепт», который является полностью нейтральным. Знаете, он может оказаться полным бредом, он может быть отличным, он просто есть. Это просто последовательность вычислений, дающих вам результат. Мы не предполагаем, что он хорош для чего-то, он просто выполняет вычисление.
Проблема в том, что когда люди используют термин «эвристика», они придумывают нечто абсолютно произвольное и применяют этот квалификатор так, как будто числовой рецепт гарантированно хорош. Конечно, если обратиться к естественному миру, эти эвристики, эти инстинктивные способы, например, схватить какой-либо предмет, действительно хороши. Они действительно хороши. И как мы знаем, что они хороши? Потому что когда мы пытаемся создать робота, который делает то же самое, он терпит неудачу, и для этого требуются огромные инженерные усилия, чтобы хоть приблизиться к тому, что мы можем сделать инстинктивно.
Так что, видите, это создает определённую предвзятость, из-за которой люди думают, что, например, я могу сказать: «О, допустим, максимум в моей политике минимаксного запаса составляет запас на три месяца спроса». Почему я называю это эвристикой? Знаете, насколько это на самом деле эффективно? Это может быть совершенно бессмысленным. Я не знаю. Это не потому, что у меня есть какая-то интуиция. Откуда берется эта интуиция? Понимаете? И обычно она возникает ниоткуда. И вот где, по моему мнению, и заключается ошибка.
Из-за того, что у нас есть другие сообщества, например, сообщества компьютерных наук, где термин «эвристика» используется для обозначения чего-то удивительно хорошего, существует некое свободное позитивное восприятие, своего рода «ореол», который придает этим числовым рецептам большую ценность, чем они действительно заслуживают.
Conor Doherty: Но розничный торговец просто ответил бы на это, если бы услышал то, что вы только что сказали, и сказал: «Ну, я провожу ABC-анализ. Я знаю, откуда приходит подавляющее большинство моих продаж. Я поддерживаю определенный высокий уровень сервиса для этих SKU, и я зарабатываю деньги. Это не должно быть больше, чем просто это, и это работает, потому что я продолжаю вести бизнес. Я зарабатываю деньги и зарабатываю больше, чем в прошлом году».
Joannes Vermorel: Да, и у вас может быть магазин с протекающей водой, а вы всё равно зарабатываете деньги. Так что, если у вас будет больше магазинов с протекающей водой, может быть, вы заработаете ещё больше. Видите, опять же, вот в чём проблема. Цепочка поставок — это лишь один ингредиент в общей картине. Ошибка заключается в том, чтобы думать, что если вы зарабатываете деньги, то каждое ваше действие имеет смысл или положительно влияет на вашу прибыль.
Даже такие компании, как Apple, известны тем, что большинство их сотрудников остаются в неведении относительно будущего компании. Это одна из известных особенностей Apple. Что касается будущих выпусков продуктов, всё держится в секрете, и они даже идут настолько далеко, что внутренне сливают ложные дорожные карты различным командам, чтобы, в случае утечки, можно было определить, кто получил ложную информацию. Ладно, действительно ли это улучшает прибыльность Apple? Может, может, а может и нет. Хотели бы вы это перенять для другого бизнеса, чтобы сделать его более прибыльным? Возможно, нет.
Так что, видите, я говорю, что если вы говорите: «Я использую ABC-анализ, мой бизнес прибыльный», то единственный вывод, который можно сделать: ABC не настолько плох, чтобы привести вашу компанию к банкротству. Но это всё, что вы можете знать. Это всё, что можно сказать об ABC-анализе.
Conor Doherty: Также можно сказать, что, когда речь заходит о поиске оптимума, о нахождении наилучшей возможной точки, это далеко от истины. Можно сказать, что таким образом остаётся неиспользованные возможности. Можно просто сказать, что это выглядит как бинарное решение: либо это на 100% глупо, либо на 100% правильно.
Joannes Vermorel: Но вот здесь, видите, взгляд компьютерного специалиста и взгляд непрофессионала резко расходятся. В информатике признают, что эвристика, то есть числовой рецепт, получает статус эвристики только если она демонстрирует какую-либо эмпирическую пользу. Видите, это означает, что не каждый числовой рецепт, который я могу придумать, является эвристикой. Чтобы претендовать на статус эвристики, он должен быть удивительно хорош в каком-либо деле.
Conor Doherty: Что некоторые люди могут и оспорить.
Joannes Vermorel: И эта удивительная эффективность требует наличия метрики. Требуется измерение.
Видите, подавляющему большинству, скажем, ABC-анализа, например, не хватает метрики, которая бы что-то квалифицировала. Речь идёт лишь о присвоении каждой продукции буквы: A, B, C. Это просто присвоение. Затем расширением этого является введение единой инвентарной политики для каждого класса. Но эта единая политика может существенно отличаться от уровня сервиса, например. Для класса A вы можете установить запас в три месяца, для класса B — два месяца, для класса C — один месяц. Знаете, это тоже работает.
Таким образом, уровни сервиса не обязательно являются неотъемлемой частью ABC-анализа. Доступность этих товаров соответствует их воспринимаемой важности. ABC-анализ — это лишь приписывание класса каждой продукции по степени важности. Речь идёт о присвоении класса, и да, способ, которым вы это делаете, заключается во взвешивании продаж, но всё. Итак, я говорю: в чем же проблема, которую вы пытаетесь решить? Ведь ABC-анализ — вот почему я говорю, что это числовой рецепт, а не эвристика, потому что вы не знаете, какие задачи вы решаете. У вас нет ориентира, что является оптимальным.
Conor Doherty: Так, да, продолжайте.
Joannes Vermorel: Снова, вот в чем суть проблемы. Нам нужно различать эвристики и просто произвольные числовые рецепты. Произвольный числовой рецепт может быть совершенно необъяснимым. Я просто вычисляю это. Почему? Потому что я могу. Так что я просто провожу вычисления, и всё.
Если вы хотите иметь эвристику, вам нужно иметь, скажем, цель, которая объясняет или способ оценить её эффективность. Ещё один пример: если я ищу эвристику в информатике. Допустим, я использую XOR-сдвиг для генерации псевдослучайных чисел. Очень хорошо. Существуют метрики, которые покажут качество последовательности чисел и позволят считать её случайной. Существует множество метрик для этого.
Таким образом, если я использую эвристику, такую как XOR-сдвиг, я могу оценить, насколько она хороша в генерации того, что согласно метрикам определяется как случайные числа. Видите, у меня есть метрика, у меня есть цель, я знаю, о чём говорю, в терминах: это эвристика или нет. Я бы сказал: насколько она хороша или нет? Если да, то вы скажете: «Ладно, это эвристика». Но если вы понятия не имеете, что делаете, то я считаю ошибкой называть это эвристикой, потому что вы не знаете, насколько это эффективно.
Вы просто придумали числовой рецепт и называете его эвристикой.
Conor Doherty: Так что, когда люди, чтобы сделать всё максимально конкретно, проводят, скажем, ABC-анализ, а затем принимают решения на его основе, например, держат запас в течение трёх месяцев для класса A или устанавливают уровни сервиса — и если они видят положительные результаты, — это логическая ошибка. Они приписывают предыдущим действиям причинно-следственную связь. Да, потому что, как вы сказали, оценить эффективность невозможно, если метрика не ясна.
Joannes Vermorel: Просто невозможно. И опять же, я думаю, что с тем, что люди называют эвристиками, дело обстоит именно так. Я предпочитаю называть их нейтральным термином — числовой рецепт, потому что, на самом деле, они даже не пытались. Видите ли, зачастую даже не предпринимается попытка измерить, насколько это решение эффективно, оценить его пользу в какой-либо форме.
И таких примеров достаточно. Например, некоторые компании решают, что их цены будут округляться до круглых чисел. Некоторые предпочитают, чтобы цена заканчивалась на 99, некоторые — чтобы на 95. Может существовать политика, корректирующая ваши числа, округляя их до чуть меньшего значения, чем 99 или 95, или до следующих круглых чисел.
Огромное, огромное, огромное большинство компаний, которые так поступают, понятия не имеют, какой из этих вариантов для них лучше, и всё равно выбирают один.
Conor Doherty: То есть, по сути, они просто предполагают причинно-следственную связь.
Joannes Vermorel: Да. И опять же, я не оспариваю того, что иногда, знаете, принятие политики, основанной на совершенно произвольном выборе и просто следование ей ради простоты, нормально. Но затем не следует приписывать этому случайному выбору ваш успех. Вот что я хочу сказать.
Conor Doherty: Ну, опять-таки, когда мы говорим, конечно, с экономической точки зрения, о эвристиках, большинство людей, да, пытаются упростить проблему и прийти к решению. И также то, как они воспринимают этот результат, оказывается очень упрощённой версией. Например, «Я что-то сделал, установил все цены круглыми или на уровне 99, и продажи либо выросли, либо упали. Следовательно, post hoc ergo propter hoc, то, что я сделал раньше, вызвало это». И, конечно, это невозможно. Проблема в том, что вы сделали это, в то время как сотня других людей одновременно пыталась разобраться в причинно-следственной связи, и это очень, очень сложно.
Joannes Vermorel: Да, это очень сложно. Я имею в виду, особенно в цепочке поставок, где система, всё каким-то образом взаимосвязано. Это действительно сложно. И моя точка зрения такова, что когда речь идёт об эвристиках, если их правильно понять, они могут быть абсолютно фантастическими. И, кстати, они могут буквально стать способом обойти ваших коллег, потому что если у вас есть то, что информатики называют эвристиками, что-то вроде скрытого сокровища, нечто, что вы обнаруживаете в алгоритме.
The difference between an algorithm and a heuristic is that an algorithm is something where you have a numerical recipe. You can read the numerical recipe and then as a mathematician, you can prove its properties. It’s fantastic. It is very cheap. You see, the thing with algorithms, algorithms are incredibly cheap. You do not need to make any experiment in the real world to prove that your algorithm is nicely behaved. That is fantastic. So that means that you can have a mathematician working in his office and bam, you have your nicely behaved algorithm that brings value to your company.
Эвристика, ну, единственный способ её обнаружить — это проводить эксперименты. Это нечто, что представляет собой эмпирическую оценку, и это очень сложно. Вот почему, например, стохастический градиентный спуск на протяжении десятилетий, хотя был известен тысячам людей, оставался полностью игнорируемым, просто потому что, ну, никто по-настоящему не осознал, что на практике он работает великолепно. Видите ли, это и есть эвристика. Она может существовать, но до тех пор, пока люди не протестируют числовой рецепт и не увидят, что он прекрасно работает на определённых классах задач, они не признают, что это ценная эвристика.
Conor Doherty: Однако у меня возникает мысль по поводу некоторых ваших утверждений. Например, ещё раз, чтобы подытожить перед вопросом: я привожу пример «Я что-то сделал, значит, я предполагаю, что то, что я сделал, вызвало скачок продаж или, возможно, потерю продаж». А вы говорите: «Но сотня других людей сделали сотню или даже тысячу вещей, что угодно». Мне кажется, это почти звучит так, как будто вы устанавливаете непроверяемый стандарт, потому что даже если использовать математические эвристики, как можно узнать, что то, что вы решили сделать, или инструменты, которые вы использовали, действительно дали положительный эффект, когда вы выводите это из теории в реальную взаимосвязанную сеть принятия решений в цепочке поставок?
Joannes Vermorel: Нет, опять же, вы можете проводить эксперименты и проверять эффективность любых числовых рецептов, которые у вас есть. Я не говорю, что это невозможно. Я лишь говорю, что большинство компаний даже не пытаются.
Conor Doherty: Ну, как же компания может это попробовать? Как это будет выглядеть?
Joannes Vermorel: Именно это и представлено в нашей серии лекций по экспериментальной оптимизации. У меня есть даже лекция продолжительностью полтора часа об этом, и она называется «experimental optimization». Суть в том, что вы не знаете, что именно оптимизируете, и первый шаг — обнаружить, что именно вы пытаетесь оптимизировать. И это сильно отличается от классической mathematical optimization точки зрения, где ваша цель уже задана.
Но что я имею в виду, так это то, что если я вернусь к эвристикам, в принципе, нет оснований считать, что лучший числовой рецепт обязательно должен сопровождаться математическим доказательством. Тот факт, что существует математическое доказательство, не имеет никакого отношения к тому, хороший или плох ваш числовой рецепт. Видите ли, в основе это два совершенно разных подхода. Просто получается, что если у вас есть математическое доказательство, по крайней мере, вы знаете, что есть что-то хорошее. И в определённых условиях вы можете знать многое и сказать: «О, это очень интересно, потому что я знаю столько, что по сравнению со всеми остальными числовыми рецептами, о которых я ничего не знаю, я предпочитаю тот, у которого есть элементы доказательства. Это лучше, чем ничего».
Но затем, если вы попробуете на практике с правильной экспериментальной установкой, как описано в лекции об экспериментальной оптимизации, и получите эмпирическое доказательство его превосходства, то математический критерий не сможет превзойти обратную связь из реального мира. Так что если у меня есть два метода — один с множеством математических доказательств, а другой без них, но тот, что даёт лучшие результаты на практике, — я должен предпочесть тот второй, даже если у него нет красивых математических свойств.
И что делает эвристики особенно интересными, по крайней мере с точки зрения информатики, так это то, что те вещи, которые квалифицируются как эвристики, иногда могут работать, используя лишь крошечную, крошечную долю вычислительных ресурсов, необходимых для, скажем, более доказуемых решений. Например, опять же, стохастический градиентный спуск. Стохастический градиентный спуск фантастически эффективен в оптимизации всевозможных задач. И всё же, когда я говорю «фантастически эффективен», я имею в виду, что чтобы достичь сопоставимого уровня оптимизации с другими методами, вам понадобятся в тысячи, миллионы, а то и миллиарды раз больше вычислительных ресурсов.
Так что он очень, очень эффективен, но для него нет формального доказательства.
Conor Doherty: Понятно. И, опять же, если говорить о распределении ресурсов и возврате инвестиций от них, FIFO, ой, я только что мысленно посчитал, это ничего не стоит. В чём же разница в затратах по сравнению с порядком, который вы только что описали?
Joannes Vermorel: Я бы сказал, что нет — вы не можете обойтись без тщательного анализа конкретной ситуации. Сыграет ли FIFO роль? Это сильно варьируется от бизнеса к бизнесу. Для некоторых компаний это совершенно несущественно. Вам всё равно. Это никак не влияет. Для других же компаний это имеет огромное значение.
Если вы действительно являетесь MRO и хотите ремонтировать авиационные двигатели, порядок, в котором вы выбираете двигатели, окажется чрезвычайно важным для бесперебойной работы ваших операций. Если же речь идёт просто об организации транзита для логистической платформы, и вы хотите использовать FIFO, это не имеет значения, потому что в конце каждого дня вы очищаете свою платформу. Вы не хотите, чтобы на платформе что-либо оставалось, когда проводите переводы и тому подобное. Так что в этой ситуации порядок практически не важен.
Conor Doherty: Мне действительно понравился приведённый вами пример. Опять же, если вы, как MRO, работаете с двигателями и вам нужно выбирать, какие из них ремонтировать, я хочу вернуться к тому, что вы сказали ранее, а именно, что люди не оптимизируют то, что они думают, что оптимизируют, или оптимизируют не то, что нужно. Так что в сценарии, который вы только что описали, когда люди применяют FIFO, они думают: «Ну, я вывожу двигатели, я оптимизирую их ремонт». Размышляют ли они хотя бы правильно о проблеме, даже если эвристику реализуют небрежно?
Joannes Vermorel: Нет, это другая проблема. Видите ли, обычно числовой рецепт — и я не использую термин «эвристика», а именно «числовой рецепт» — является просто заменителем как проблемы, так и решения. Знаете, мы просто так поступаем. Ситуация не формулируется как: «В чём заключается проблема? Каков класс возможных решений? Какие качества могут быть у разных решений?» — Вы просто выбираете какой-то способ, и всё. А затем, хорош он или нет, возможно, да, возможно, нет, он просто есть.
Conor Doherty: «Просто есть». Мне понравилось, что вы сказали о путанице между тем, как люди пытаются решить проблему, и самой проблемой с решением. Можете ещё раз подробнее это раскрыть?
Joannes Vermorel: Намного проще подумать о решении, чем о проблеме. Когда люди хотят задуматься о качестве обслуживания в магазине, очень сложно понять, что вообще означает это качество. Под качеством обслуживания, по сути, понимается способность проникнуть в мышление ваших клиентов, увидеть ваш магазин их глазами и оценить, будут ли они довольны, учитывая все их неясные планы и желания, которые постоянно меняются. Вот в чём заключается проблема — это очень сложно.
Гораздо проще сосредоточиться на решении, которое выглядит так: пять единиц для этого продукта, пять единиц для того продукта, две единицы для этого продукта. Видите, я просто даю вам решение, указывая, сколько единиц должно быть для каждого продукта, и вуаля, готово. Так что придумать, предложить решение обычно гораздо проще, чем обдумывать проблему. Но вы не учли того, что не знаете, насколько хорошее у вас решение. У вас просто есть решение, и если оно как-то работает, возможно, вы скажете, что это хорошее решение, но вы не знаете наверняка.
И, возможно, ваш магазин работает отлично не потому, что у вас правильный уровень запасов, а потому что где-то в вашей компании удалось договориться о фантастически низких ценах. Таким образом, даже если ваши уровни запасов оставляют желать лучшего, ваши магазины всё равно остаются конкурентоспособными. Видите ли, я хочу сказать, что в цепочке поставок нет ничего самоочевидного, по крайней мере не в тех задачах, где пытаются решить дискретные оптимизационные проблемы.
И я думаю, что нужно признать: то, что у вас есть, до тех пор пока не доказано иное, не является эвристикой. Это то, что оценено как хорошее, удивительно хорошее. То, что у вас есть, — это числовые рецепты. Хороши они или плохи — вы не знаете.
Conor Doherty: Потому что недавно у меня была очень похожая беседа об этом с Саймоном Шотом из Lokad, и мы обсуждали оптимизацию расписаний. И опять же, он использовал термин «самоочевидное». Одна из проблем некоторых эвристик или числовых рецептов, как бы вы их ни называли, например FIFO, заключается в том, что они игнорируют непосредственные побочные эффекты или просто выходят за рамки возможностей человеческого разума.
Так, например, три двигателя: вы прибываете в понедельник утром, там три двигателя. Какой ремонтировать? Какой поступил первым? Я не могу учесть все взаимосвязанные шаги и зависимости, когда для работы над одним требуется 100 деталей, для другого — 68, для ещё одного — 67. Для одного нужно 20 инструментов, 10 из которых требуются и для другого. Одному требуется быть перенесённым туда, когда завершится, другому — туда, когда завершится. Йоаннес болен, его сегодня нет, так что он не может выполнить шаг 20 из 30. Конор даёт интервью, он недоступен для выполнения шага 99 из 100. Все эти взаимозависимости неочевидны для человеческого разума. Поэтому вы просто полагаетесь на то, что прибыло первым, вместо того чтобы вообще бездействовать.
И дело не в том, что это неправильно, а в отсутствии, как говорит Саймон, чего-то превосходного; в отсутствие чего-то лучшего вы просто используете то, что, по крайней мере, заставляет вещи работать в некоторой степени. И, как мне кажется, вы описали это гораздо более математическим способом. Но согласуется ли это с вашими взглядами?
Joannes Vermorel: Да, но опять же, проблема в том, что вы выбираете решение, и у вас нет понятия, хорошее оно или нет. И очень часто вы не можете позволить себе полагаться на интуицию. Думаю, суть в том, что в природном мире эвристики, данные нам природой, например те, что позволяют мне схватить предмет, работают хорошо. Но когда мы переносим это, нет никакого перевода этих, можно сказать, даров природы, в мир рукотворных решений в цепочке поставок. Понимаете, это совершенно разные вещи.
Например, была опубликована очень интересная статья. Исследователи сравнивали стратегии посадки пассажиров в самолёты. И, знаете, примерно десятилетие назад компании начали говорить: «Мы хотим ускорить посадку, поэтому будем вызывать сначала пассажиров из первых рядов, потом из вторых, а затем остальных рядов». И люди говорили: «О, это логично, это ускорит процесс посадки». Оказалось, что некоторые исследователи провели реальные эксперименты. Они сказали: «Хорошо, если мы разделим пассажиров на три группы и будем вызывать их по порядку: ряды с 1 по 10, затем с 11 по 20 и с 21 по 30, по сравнению с альтернативными методами, получим ли мы лучший результат?» И интересный вывод состоял в том, что отсутствие какой-либо системы — то есть, когда пассажиры занимают места в самолёте случайным образом — на самом деле оказывается быстрее. Это не интуитивно, но было эмпирически доказано.
Значит, ещё раз: эффективность в том, что для тех сложных явлений, которые являются искусственно созданными, действие, вроде того, как я беру стакан, является очень сложным, потому что в нём участвует так много переменных. У меня пять пальцев и множество суставов, так что это как задача с примерно 50 степенями свободы, если я просто делаю это простое движение, чтобы взять стакан. Это очень сложно, но наша интуиция работает. Однако есть и другие классы задач, в которых наша интуиция не функционирует естественным образом, и я говорю, что в цепочке поставок это в основном задачи по работе с дискретными задачами, со случайностью. Наш ум не очень хорош в этом. Он, как правило, отлично справляется с шаблонами, но не очень хорошо с случайностью. И поэтому я бы сказал: не полагайтесь слишком сильно на свою интуицию. Она может ввести вас в заблуждение.
И это очень интересно, потому что в наши дни, несмотря на то, что у нас теперь есть доказательства того, что случайная посадка пассажиров ускоряет процесс, большинство компаний всё ещё придерживаются политики вызова людей по порядку, хотя теперь доказано, что это на самом деле медленнее.
Конор Дохерти: Верно, но опять же, это не доказывает ту мысль, которую ты упоминал ранее, ведь многое зависит от того, на что именно ты оптимизируешь. Если ты настроен на эффективность посадки, ты прав. Если же ты оптимизируешь прибыльность, тебе нужно продавать места или доступ, например, Зона 1 — это зоны с 1 по 9, и это стоит $3,000. Зоны с 10 по 15 стоят $1,000, и мы заполним самолет по этой ставке, а я оптимизирую прибыль.
Йоаннес Верморель: Но это даже относится к самолетам, где все места стоят одинаково. Эти политики применяются даже в бюджетных авиакомпаниях, где нет бизнес-класса, первого класса, и всем, по сути, взимается одинаковая плата, независимо от выбранного места.
Конор Дохерти: Значит, нет необходимости вводить продвинутую посадку.
Йоаннес Верморель: Но они все равно это делают.
Конор Дохерти: Так что, им не следует?
Йоаннес Верморель: Скажу ещё раз: я имею в виду, что они выдумали числовой рецепт, согласно которому «мы будем вызывать людей по отрезкам, потому что кажется, что если навести порядок, всё пойдёт эффективнее». А затем, проведя эксперименты, люди пришли к выводу, что, на самом деле, это ухудшает эффективность по сравнению с предыдущим подходом, когда даже не пытались решать проблему и позволяли людям самоорганизовываться при посадке.
Видишь ли, вот в чём дело. Опять же, то, во что ты веришь, вот и разница. Очень легко придумать какой-то числовой рецепт, но если у тебя нет понятия, хорош он или нет, не стоит полагать, что он будет отличным только потому, что он первым пришёл в голову. И не следует предполагать, что он хорош, просто потому что кажется правдоподобным.
Конор Дохерти: Ну, можно также развить эту идею, задавая произвольные KPI и полагая, что это имеет значение.
Йоаннес Верморель: Да, и опять же, существует психологическая склонность, когда люди влюбляются в свои собственные идеи. Например, «Нам нужно повысить качество обслуживания, поэтому мы должны поднять уровень обслуживания с 97% до 98%», и это затем становится политикой всей компании. Это имеет смысл? Возможно, да, возможно, нет. Я уже говорил тебе об идее минимума и максимума. Нам нужно держать запас на три месяца, и это затем становится политикой компании. Очень легко придумать числовой рецепт, ведь всё, что нужно, — это взять все переменные, которые находятся перед тобой, и что-то с ними сделать, чтобы получить какой-то расчёт.
Здесь это называется, я бы сказал, наивным рационализмом. То, что ты что-то вычисляешь на основе переменных, находящихся перед тобой, не означает, что расчёт правильный. Он может быть правильным в числовом смысле — без ошибок в сложении и умножении, но формула, которую ты придумал, на самом деле ни о чём не говорит.
Конор Дохерти: Но это естественно противоречит склонности людей к фундаментальной ошибке атрибуции. Они просто предполагают: «Я действовал, что-то сделал, установил политику, KPI, правило, и мы заработали деньги. Следовательно, я не только велик, но и ответственен за то, что произошло».
Йоаннес Верморель: Да, но опять же, ты говоришь «мы заработали деньги», в то время как на самом деле большинство компаний, особенно отделы цепочки поставок, не имеют финансовых KPI. Видишь ли, очень часто происходит так, что проверяют, соответствуете ли вы придуманным вами правилам, и всё. Здесь ты говоришь: «Мы прибыльны», но большинство подразделений цепочки поставок просто следят за тем, чтобы их показатели соответствовали их собственным нормативам.
Например, они скажут: «О, нам нужен уровень обслуживания в 97%», и затем предпримут шаги, а в конце дня заявят: «Мы просто отличные, смотри, мы достигли 97% уровня. Мы потеряли кучу денег, но у нас 97% обслуживания». Факт того, что мы зарабатываем или теряем деньги, не имеет значения. Считаются проценты, а не доллары. Знаю очень немногие компании, помимо клиентов, которые учитывают какие-либо финансовые метрики для своей цепочки поставок. Обычно это совершенно отсутствует. Они мыслят в терминах оборачиваемости запасов, думают в терминах уровня обслуживания, и действительно разделяют эти уровни по классам ABC и так далее.
Но видишь, не потому что ты установил для себя произвольную цель по уровню обслуживания и затем празднуешь победу, как только её достигнешь, можно считать, что соответствие твоей цели как-то коррелирует с прибыльностью компании. Это очень смелое предположение.
Конор Дохерти: Что ж, это снова демонстрирует общую мысль, которая неоднократно повторялась в различных формах: склонность людей воспринимать сложные проблемы слишком серьёзно. Например, если речь идёт о планировании, то речь идёт о том, сколько заказать, куда отправить, и попытке разбить это на понятные элементы для человеческого разума. Так что, например: «Ну, если я просто имею 90, если я подниму уровень обслуживания с 95 до 97% — вуа-ля, проблема решена», и проблема решена. Как только я достигаю этой цели, она становится самореализующейся. Но, конечно, это игнорирует множество взаимосвязей и зависимости в процессе принятия решения, о которых мы говорили ранее.
Йоаннес Верморель: Да, но я также отметил, что поиск решения обычно намного проще, чем поиск проблемы. Если мы, например, рассмотрим обслуживание самолёта, то реальность такова: если во время техобслуживания отсутствует какая-либо деталь, самолёт выводят из эксплуатации. Это довольно очевидно, если только ты не узнаешь об этом в последний момент. Но вот само решение: «Я просто хочу иметь ненулевой запас исправных запчастей для всего», — и это будет твоим простым ответом. Видишь ли, если у меня это есть, то я в порядке, если смогу поддерживать ненулевой запас исправных запчастей в любой момент времени.
Таким образом, это моё решение. Проблема в том, что оно полностью не учитывает того факта, что предлагаемое тобой решение слишком дорогостоящее, так как потребовало бы чрезмерных запасов, и потому оно не является жизнеспособным решением, по сути. Поэтому нужно снова вернуться к числовому рецепту. Мне необходимо охарактеризовать этот числовой рецепт, чтобы убедиться, что он правильно формализован, затем оценить его эффективность и решить, является ли он алгоритмом, эвристикой или чем-то иным.
Моя мысль заключается лишь в том, что опасно предполагать, что что-то сделанное, произвольная числовая политика, обладает какими-то внутренними свойствами только потому, что раньше так поступали. Единственное, что можно сказать, — это то, что оно не было настолько плохим, чтобы обанкротить компанию, но это очень низкий порог. Можно допустить, чтобы что-то было очень, очень плохим и всё же не было достаточным, чтобы убить компанию, особенно если твои конкуренты тоже действуют очень неэффективно.
Конор Дохерти: Ты ранее упоминал, в одном из наших разговоров, снова касаясь последствий внедрения произвольных политик или KPI. Например, сумма денег, необходимая для повышения уровня обслуживания с 95 до 97%, примерно на порядок превышает ту, что нужна для повышения с 85 до 87%. То есть ты говоришь: «О, я просто хочу повысить на 2%», но существует закон убывающей отдачи.
Йоаннес Верморель: Да.
Конор Дохерти: И затраты растут экспоненциально, как только достигается определённый уровень. Опять же, люди посмотрят и скажут: «Я просто хочу повысить на 2%», — и не очевидно, как всё это отразится в итоге.
Йоаннес Верморель: Человеческий разум — не компьютер, и, как я уже говорил, он не очень хорошо справляется со случайностью, но также не очень хорошо воспринимает геометрический рост. Процессы, накапливающиеся экспоненциально, человеческий разум просто не способен их осмыслить. У нас нет механизмов для этого.
Да, если я, как математик, найду время, возьму ручку и бумагу и проведу расчёты, я это пойму. Но у меня нет инстинкта; никто не обладает врождённым чутьём различия между тысячей, миллионом, миллиардом или триллионом. У нас нет внутреннего «водопровода», чтобы ощущать эти величины, так же как у нас нет механизмов, позволяющих отличить гауссовский шум от любого негауссовского альтернативного шума. Если я предоставлю тебе всевозможную случайность, гауссовский шум и прочее, то, если ты специально не обучался распознавать это, большинство людей скажут: «О, кажется, это очень случайно». У нас, я бы сказал, нет врождённого восприятия класса статистического шума, хотя математики открыли множество различных типов шума, случайного поведения.
Конор Дохерти: Касательно этого, ты ранее упоминал о планировании ремонта, например, в аэрокосмической отрасли. Идея в том, что если бы кто-то сказал: «Знаешь, у нас есть действительно, действительно умные люди, и каждый раз, когда нужно перестроить последовательность действий для ремонта двигателя, у нас есть 10 действительно умных человек. Они садятся и сами всё решают внутри компании», — это, конечно, неразумно. Подумай, как ранее сказал Саймон: ожидать, что сто сверхумных людей с ручкой и бумагой или Excel-таблицей смогут многократно выполнять все расчёты, необходимые для выявления оптимального нового расписания с учётом всех взаимосвязей, количества деталей, всех требуемых навыков и затрачиваемого времени, — это нелогично.
И нужно учитывать, что, как ты говорил ранее, в случае MRO у вас нет роскоши времени. Так что, даже если бы это было возможно, и давайте для обсуждения предположим, что так оно и есть, хотя на самом деле нет, — это заняло бы практически бесконечно много времени в сравнении с алгоритмом, способным сделать это за несколько минут. И на всё это есть своя стоимость в долларах. Суть, к которой я возвращаюсь, и как я это понимаю и пытаюсь объяснить, такова: дело не в том, умный ты или глупый. Просто существуют внешние факторы, которые по определению невидимы человеческому глазу.
Йоаннес Верморель: К сожалению, нужно также учитывать, что большинство поставщиков программного обеспечения абсолютно некомпетентны. Видишь, это ещё один фактор. Люди говорят: «О, смотри, мой аргумент таков: если 10 человек садятся и находят решение, а оно не срабатывает, то в следующую минуту, просто потому что, например, отсутствует деталь и так далее, они перейдут к альтернативе. Таким образом, они будут искать некачественные решения, пока не найдут подходящее, немного как крыса, пробирающаяся по лабиринту. Всё нормально: о, стена, хорошо, другое направление, опять стена, хорошо, ещё направление».
Проблема многих, я бы сказал, реализаций программного обеспечения в том, что в них даже нет предусмотренного выхода, если ты натыкаешься на стену. И если ты застрял, то просто остаёшься с чем-то бессмысленным, и всё. Видишь, многие компании сталкивались с этим. Это было одним из обещаний операционного исследования в 50-х годах и тому подобное. Многие первоначальные надежды не вылились в, скажем, великие достижения именно потому, что поставщики программного обеспечения оказались несколько некомпетентны. И поэтому так называемые оптимальные или превосходящие решения, основанные на программном обеспечении, на практике были реализованы настолько плохо, что были полностью непрактичными.
Но нам нужно немного разделить: была ли эта проблема такой, что её невозможно решить с помощью компьютеров, и человеческий разум прибегает к какому-то вуду, которое пока невозможно воспроизвести на компьютере, или же эта проблема была просто решена совершенно некомпетентным поставщиком программного обеспечения, и решением, которое они предоставили, оказалась катастрофа.
Конор Дохерти: Но в этом случае, как неспециалист — а я ведь неспециалист — как неспециалист может понять, действительно ли то, что он слышит, или то, что поставщик говорит, является некомпетентностью или нечестностью? Или как можно проверить такие утверждения?
Йоаннес Верморель: Это огромная проблема. Поэтому на эту тему есть ещё одна лекция — антагонистический маркетинговый анализ, но это уже час объяснения того, как можно действительно выявить некомпетентных поставщиков.
Конор Дохерти: Есть ли какие-нибудь эвристики, какие-нибудь правила, которые приходят в голову?
Йоаннес Верморель: Да, то есть, на самом деле, здесь приводится эвристика, которая доказана. Помни, это простое решение, которое, удивительно, эмпирически работает лучше, чем можно ожидать. Итак, эвристика, предлагаемая в антагонистическом маркетинговом анализе, такова: как узнать? Когда у тебя есть поставщик, ты спрашиваешь у его конкурентов, что они думают об этом поставщике. И это — антагонизм.
Так что, если ты хочешь сформировать правильное мнение о поставщике, не спрашивай у самого поставщика, потому что он просто тебя [ __ ]. Ты спрашиваешь у его конкурентов, что они думают об этом парне. А затем проводишь симметричную проверку: спрашиваешь всех поставщиков, что они думают о других поставщиках. Это называется антагонистической оценкой, и она оказалась очень, очень надёжной. Уоррен Баффет заработал своё состояние, исходя из этого простого принципа. Идея была такова: если все согласятся — а у Баффета был вопрос: «Если бы у тебя была серебряная пуля, чтобы магически устранить одного из твоих конкурентов, кто бы стал целью твоей серебряной пули?»
И это был очень интересный вопрос, потому что если все конкуренты в итоге указывают на одну и ту же компанию, получается, что эта компания явно угрожает всем остальным. А эти поставщики лучше всех разбираются в этой отрасли, так что самый компетентный участник — именно тот, на кого указывают все конкуренты. Это и есть эвристика, знаешь, пока ты не проверишь этот антагонистический маркетинговый анализ, ты не осознаешь, насколько он эффективен. И даже не очевидно, что он работает, но его проверили, и он действительно работает прекрасно, чему, среди прочего, свидетельствует успех Berkshire Hathaway.
Конор Дохерти: Ну, Жуаннес, у меня больше вопросов нет, но что касается заключительных мыслей, выносов для сегодняшнего дня, ведь мы обсудили многое. А что, по вашему мнению, может служить кратким итогом по эвристикам в цепочке поставок?
Жуаннес Верморель: То, что вы делаете, скорее всего, всего лишь числовые рецепты, произвольные числовые рецепты. Оставьте термин “эвристика” для чего-то, что является скрытой жемчужиной, чего-то простого и великолепно работающего, при условии, что у вас есть эмпирические доказательства его эффективности. Не просто “я это делаю, и компания не обанкротилась, значит, это работает.” Это слишком низкий порог. Поэтому оставляйте этот термин для по-настоящему стоящих методов.
Если вы обнаружите такие рецепты, которые работают значительно лучше, чем можно было бы разумно ожидать от простого числового рецепта, тогда цените их. Они чрезвычайно ценны. Но, повторюсь, эта ценность должна базироваться, я бы сказал, на реальной оценке, выраженной в долларах или евро, а не просто на вашем чувстве ценности этого числового рецепта.
Конор Дохерти: Ну, Жуаннес, большое вам спасибо. Думаю, мы решили эту проблему — еще одна успешная сделка. Большое спасибо за ваше время и большое спасибо за просмотр. До встречи в следующий раз.
