00:00:00 Введение в эвристику в цепи поставок
00:01:14 Примеры эвристики: мин-макс запасов, FIFO, анализ ABC
00:03:15 Происхождение и неформальное использование эвристики в компаниях
00:06:28 Человеческий подход к решению проблем против алгоритмического
00:09:58 Эвристика с точки зрения компьютерных наук
00:13:27 Проблема лакейских взглядов на эвристику
00:17:22 Эвристика в цепи поставок и иллюзия причинно-следственных связей
00:22:00 Необходимость метрик для оценки эффективности эвристики
00:26:35 Разница между алгоритмами и эвристиками на практике
00:30:26 Экспериментальная проверка и эмпирическая оптимизация
00:36:33 Мысленные заблуждения в принятии решений в цепи поставок
00:41:27 Пример стратегий посадки в самолет и интуиция
00:46:47 Отсутствие финансовых метрик в принятии решений в цепи поставок
00:53:05 Человеческие ограничения в сложном планировании по сравнению с алгоритмами
00:58:47 Заключительные мысли и выводы
Резюме
В недавнем эпизоде LokadTV Конор Доэрти, директор по коммуникациям в Lokad, беседовал с Жоаннесом Верморелем, генеральным директором Lokad, о эвристике в управлении цепями поставок. Они обсудили использование простых инструментов решения проблем, таких как FIFO и анализ ABC, выделив их ограничения и необходимость более надежных математических подходов. Жоаннес пояснил, что хотя эвристика предлагает простые решения, они часто лишены последовательности и эмпирической проверки. Он подчеркнул важность различия между истинной эвристикой и произвольными числовыми рецептами, выступая за оценку и эксперименты в реальном мире для проверки практик управления цепями поставок. Разговор подчеркнул необходимость критической оценки и эмпирических доказательств в оптимизации решений в цепи поставок.
Расширенное резюме
В недавнем эпизоде LokadTV Конор Доэрти, директор по коммуникациям в Lokad, вступил в размышления с Жоаннесом Верморелем, генеральным директором и основателем Lokad, французской компании-разработчика программного обеспечения, специализирующейся на предсказательной оптимизации цепей поставок. Разговор касался использования эвристики в управлении цепями поставок, исследуя их ограничения и противопоставляя их более надежным математическим подходам.
Conor начал с введения понятия эвристики, которые являются простыми инструментами решения проблем, такими как FIFO (первым поступил - первым обслужен), LIFO (последним поступил - первым обслужен) и анализ ABC, часто используемые при принятии решений в цепях поставок. Он подчеркнул, что эти эвристики часто применяются для навигации в неопределенности и попросил Жоаннеса пояснить, что имеют в виду практики цепей поставок, когда говорят об эвристиках.
Жоаннес пояснил, что в индустрии эвристики - это в основном формализованные правила, используемые для принятия решений. Например, политика запасов минимум-максимум, где максимальный запас устанавливается на три месяца спроса, является эвристикой. Эти эвристики предлагают простые решения для сложных проблем, но они часто произвольны и не имеют последовательности среди различных планировщиков и компаний.
Конор углубился, спросив об истоках этих эвристик. Жоаннес ответил, что это самые простые решения, которые люди могут придумать для решения конкретных проблем. Например, FIFO гарантирует, что все элементы в конечном итоге будут выбраны и обработаны, предотвращая разложение. Однако он подчеркнул, что эти эвристики не обязательно являются оптимальными решениями.
Затем Жоаннес ввел критическое различие между эвристиками, понимаемыми экономистами, и теми, кто занимается управлением цепями поставок. В естественных задачах, таких как взятие стакана воды, люди эффективно используют эвристики, потому что эволюция снабдила нас необходимыми инстинктами. Однако проблемы цепей поставок - это дискретные числовые задачи, которых нет в природе, и наши врожденные эвристики не подходят для этих задач.
Конор и Жоаннес обсудили ограничения традиционных эвристик, таких как FIFO и анализ ABC. Жоаннес утверждал, что эти методы часто являются произвольными числовыми рецептами, а не истинными эвристиками, поскольку им не хватает метрик для измерения их эффективности. Он подчеркнул важность различия между эвристиками и произвольными числовыми рецептами, которые могут вводить в заблуждение.
Конор представил точку зрения розничного торговца, предполагая, что простые методы, такие как анализ ABC, работают, потому что они прибыльны. Жоаннес возразил, что прибыльность не подтверждает каждую практику в бизнесе. Он использовал Apple в качестве примера, отметив, что некоторые практики могут не прямо способствовать прибыли, но все равно применяются.
Разговор перешел к вызовам проверки эвристик в реальных цепях поставок. Жоаннес пояснил, что в то время как у алгоритмов есть доказуемые свойства, эвристики требуют эмпирической оценки через эксперименты. Он привел пример стохастического градиентного спуска, эвристики, которая получила признание за свою практическую эффективность, несмотря на отсутствие формального доказательства.
Конор и Жоаннес обсудили сложность оценки качества эвристик без четких метрик. Жоаннес подчеркнул необходимость для компаний проверять свои числовые рецепты через эксперименты, а не предполагать их эффективность. Он ссылался на свою лекционную серию по экспериментальной оптимизации, подчеркивая важность обнаружения целей оптимизации и различия между эмпирической и математической проверкой.
Жоаннес также затронул психологическое искажение, заключающееся в том, что можно влюбиться в свои собственные идеи, что может привести к принятию произвольных политик без должной проверки. Он предостерег от того, чтобы не допускать, что традиционные методы хороши просто потому, что они не привели к банкротству.
Обсуждение завершилось с советом Жоаннеса о том, что термин “эвристика” следует оставить для простых, эффективных числовых рецептов с эмпирическими доказательствами их успеха. Он подчеркнул важность оценки в реальном мире в финансовом отношении и необходимость для компаний критически оценивать свои методы.
Conor завершил интервью, поблагодарив Жоаннеса и аудиторию, призвав зрителей подписаться на YouTube-канал LokadTV и следить за ними в LinkedIn для более содержательных обсуждений по оптимизации цепочки поставок.
Полный текст
Conor Doherty: Добро пожаловать на LokadTV. Эвристика лежит в основе большинства решений, которые принимают люди в терминах цепочки поставок.
Эвристика - это простые инструменты решения проблем, которые направляют нас через моменты неопределенности. Думайте о FIFO, LIFO и анализе ABC.
Сегодня с Жоаннесом Верморелем мы обсудим пределы этих эвристик и сравним их с более надежной математической перспективой.
Как всегда, если вам нравится то, что вы слышите, подпишитесь на YouTube-канал и следите за нами в LinkedIn. И с этим я представляю вам эвристику в цепочке поставок.
Как я упоминал в своем введении, мы здесь, чтобы поговорить об эвристиках, особенно в цепочке поставок. Так что, чтобы немного прояснить, когда практики цепочки поставок, знаете ли, в офисе, когда они говорят об эвристиках, о чем они говорят? Что они имеют в виду?
Joannes Vermorel: Я имею в виду, что большинство практиков цепочки поставок, вероятно, не будут использовать термин “эвристика”. Это уже немного фантазийно. Когда я думаю об отрасли в целом, когда люди говорят “эвристика”, это просто означает, что у них есть некоторое формализованное правило опыта, которое используется для принятия решения.
Таким примером может быть политика минимум-максимум запасов, и максимум определяется как равный трем месяцам спроса. Вот и все. Это моя эвристика.
И интересным аспектом эвристик является то, что, предположительно, это мировая перспектива эвристик, что у вас есть сложная проблема, но ваша эвристика предлагает простое решение этой проблемы.
Conor Doherty: Ну, многие просто записали буквально слова, пришедшие от комитета. Так что мой вопрос заключается в том, когда вы говорите об примере минимум-максимум, что там будет три месяца спроса, это просто произвольное решение. Это делает его общим правилом?
Joannes Vermorel: Да, в этом вся суть. Я имею в виду, возможно, люди вольно пробовали несколько альтернатив, и их интуиция говорит, что двух месяцев недостаточно, шести месяцев слишком много, и так они приходят к чему-то.
Или даже чаще всего, нет никакой последовательности. У каждого планировщика спроса и поставок свой набор правил опыта, своя коллекция эвристик, которые используются.
Редко компании принуждают к какой-либо практике в отношении эвристик. По крайней мере, когда компании думают и говорят, что у них есть эвристики, это обычно означает, что это не обязательно и что это относительно неформально, и что есть большая степень свободы в том, как вы выбираете все параметры этих эвристик.
Conor Doherty: Ну, я имею в виду, вы привели пример минимум-максимум. Есть также вещи, как FIFO, есть LIFO, есть анализ ABC. Существует целый ряд эвристик. Откуда они берутся? Из какой эфира они появляются?
Joannes Vermorel: Я имею в виду, это просто самые простые решения, о которых вы можете подумать, чтобы дать вам решение проблеме, с которой сталкиваетесь. Давайте, например, рассмотрим FIFO.
Одна из самых базовых проблем, если вам нужно итеративно обрабатывать поступающие вещи, - как избежать оставления чего-то на стороне навсегда. Вот и все.
Если вы не определите порядок и просто выберете вещи случайным образом, то можете оказаться с одним предметом, который никогда не будет выбран. Его просто отодвинут в сторону и никогда не обработают.
И это плохо, потому что в конечном итоге этот предмет разрушится. Будь то продукт, подверженный порче или нет, все продукты портятся со временем.
Таким образом, вам просто нужен процесс, который хотя бы гарантирует, что в конечном итоге все, что поступало к вам, будет выбрано, обработано и отправлено куда-то по линии.
Таким образом, если вы скажете, например, “первым поступил - первым обработан”, это просто базовый способ обеспечить выбор всего. Является ли это хорошей политикой? Я имею в виду, это зависит, но она определенно дает вам это свойство.
И таким образом, можно сказать, что это определенно решение этой проблемы. Является ли это хорошим решением? Это совершенно другой вопрос.
Конор Доэрти: Ну, это и есть следующий вопрос, потому что вы не использовали термин оптимальность или не сказали об оптимальном решении. Конечно, в таких ситуациях, как та, которую вы только что описали, вы находитесь в ремонтной мастерской, приходят двигатели, или вы приходите утром, и там много двигателей, и вам нужно решить, с чего начать ремонт, какой график выбрать, и вы пытаетесь прийти к тому, что по крайней мере выглядит как хорошее или оптимальное решение.
Итак, мой вопрос заключается в том, каков верхний предел, на ваш взгляд, каков верхний предел оптимальности, который можно достичь с помощью таких эвристик? Возьмем, например, FIFO.
Йоанн Верморель: Я не думаю, что это правильный способ даже поставить проблему. Я думаю, что нам нужно отойти назад и увидеть, что когда мы думаем в терминах эвристик, есть на самом деле две радикально разные перспективы, о которых нам нужно задуматься и обдумать.
Первое - это эвристика, как, скажем, думают экономисты, или по крайней мере, которая, скажем, например, мне нужно взять это стакан воды. Я могу просто протянуть руку и взять его.
Физик мог бы сказать: “О, здесь участвует миллион вычислений для вычисления точной траектории моей руки, каждого из моих пальцев, точной массы, точной силы”, и это были бы все вычисления, которые мне нужно было бы провести, если бы я хотел, чтобы роботы делали идеальное вычисление о том, как двигать роботизированным рукой и взять стакан.
Но оказывается, что человек не работает так. Вместо этого мы используем множество эвристик, таких как, знаете, мертвое счетчество. “Я слишком справа, ой, повернуть налево”, и “Достаточно ли давления? О нет, стакан скользит, нажмите сильнее”.
Таким образом, у вас есть множество эвристик, которые позволят вам выполнить очень сложную задачу, но с базовой обработкой, которая намного более проста. По сути, когда вы берете стакан воды, ваш мозг не решает дифференцируемые уравнения в реальном времени. Это просто целый набор эвристик, которые просто прекрасно работают, и тогда вы можете успешно взять свой стакан воды.
И оказывается, что для множества вещей, которые происходят в реальном мире, природа, вселенная, что угодно, дала нам прекрасные решения для кажущихся невероятно сложных проблем, которые просто работают.
Кстати, стоять на двух ногах также требует всех видов эвристик. 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 эти эвристики.
Теперь это не ситуация в цепях поставок. Здесь я описываю эвристики с задачами, которые представляли собой вызов для последних пятисот миллионов лет для любых живых существ, чтобы быть способными двигаться.
Конор Доэрти: Они также бессознательны. Я говорю о решениях.
Йоаннес Верморел: Да, я имею в виду, взять стакан воды - это решение. Перемещение вашей руки - это решение. Но здесь мы говорим о дискретных числовых решениях. Этого нет в природе.
В природе вы не думаете в терминах дискретных числовых решений, таких как сколько продуктов мне нужно поставить завтра, послезавтра и т. д. Это дискретные числовые решения, которые совершенно не похожи на то, что вы найдете в природе.
Итак, первое, что я говорю, это если мы примем эту неявную перспективу, которая исходит, скажем, из мира природы об эвристиках, мы можем сказать, что люди просто одарены способностью применять очень простые решения к сложным проблемам, которые прекрасно работают.
И мой контраргумент заключается в том, что это не работает для ситуаций, созданных человеком, таких как цепочка поставок, где мы говорим о решении дискретных числовых проблем. Эти классы проблем совершенно не похожи на то, с чем мы сталкиваемся в природе, и мы не можем предполагать, что у нас есть какой-либо врожденный чувство того, что сработает там.
Эволюция не одарила нас способностью оценить, каков оптимальный график пополнения для сложной сети цепочки поставок. Это очень фантастическое утверждение сказать, что эволюция дала нам что-то в отношении такой проблемы.
Так что я говорю здесь, это что нам нужно перейти к другой перспективе на эвристику, ту, которую приняли компьютерные ученые. В компьютерных науках, когда у нас есть проблема, если у нас есть решение, которое доказано правильным с хорошими свойствами для этой проблемы, мы называем его алгоритмом.
Вот что такое алгоритм. Алгоритм в компьютерных науках - это числовой рецепт, где у нас есть формальные элементы доказательства.
Например, сортировка списка. У вас есть неупорядоченный список элементов, вы хотите отсортировать их от наименьшего к наибольшему. У вас есть много способов сортировки списка, но некоторые способы дадут вам решения, которые требуют минимального количества шагов и минимального количества памяти, чтобы сортировать все эти числа.
Итак, это алгоритм для вас. Алгоритм в компьютерных науках - это решение, которое доказано правильным и, кроме того, обладает дополнительными свойствами, которые хорошо себя ведут согласно стоящей перед нами проблеме.
Эвристика, снова с точки зрения компьютерных наук, это числовой рецепт, который работает очень хорошо на практике, даже если вы формально не знаете, почему он работает или почему он работает так хорошо.
И оказывается, что есть классы решений, которые похожи на скрытые драгоценности, которые прекрасно работают, которые крайне просты, и все же никто действительно не знает почему.
Итак, пример, примененный к цепочке поставок? Да, многие из них применимы к цепочке поставок. Есть, например, стохастический градиентный спуск. Это процесс, который был открыт. Концептуально он очень прост. Вы можете записать его примерно в четыре строки. Его, вероятно, открыли, скорее всего, в 50-х годах, хотя это немного неясно. Идея настолько проста, что ее, вероятно, изобрели несколько раз.
И все же, люди, говоря в общем, сообщество действительно не обращало внимания на стохастический градиентный спуск до 15 лет назад. Почему? Потому что люди действительно не заметили, насколько хорошо он работает на практике, когда используется.
Конор Доэрти: На каких проблемах?
Йоаннес Верморел: На всех проблемах обучения, на всех проблемах оптимизации и множестве других ситуаций также. Так что это полууниверсальная эвристика, которая работает на крайне широком спектре ситуаций.
Это даже поражает, сам спектр применимости стохастического градиентного спуска поражает. И все же у нас действительно нет математического доказательства, чтобы объяснить, почему он работает так хорошо. Он просто работает.
Поэтому это очень интересно. И здесь вам нужно думать о том, когда компьютерные ученые говорят о эвристиках, они относятся к эвристикам как к скрытым драгоценностям. И кстати, если мы вернемся к вашему первоначальному вопросу, эвристика по определению - это что-то, по крайней мере, точное определение, данное компьютерными учеными, это числовое решение, для которого у вас нет доказательства.
Итак, эвристика, по определению, вы не знаете, насколько далеко вы от оптимального. Это практически дано. Если бы вы знали, то по определению это был бы алгоритм. Потому что алгоритм - это буквально когда вы можете доказать правильность плюс дополнительное поведение, ваш числовой рецепт становится тем, что называется алгоритмом.
Конор Доэрти: Алгоритм, понятно, так что я попробую подвести итог всему этому и дайте мне знать, где я могу ошибиться. Но снова, как я понял все это, проблема с традиционными эвристиками, такими как FIFO, например, проблема в том, что когда люди пытаются применить это, это очень поспешное решение проблемы, которую человеческий разум просто не может понять.
Йоаннес Верморел: Нет, я бы сказал, что проблема заключается в том, что люди, я бы сказал, ошибка, которая делается с эвристиками, когда подходят с точки зрения лаика, а не с точки зрения компьютерного ученого, это приписывать некоторую степень хорошести вашему числовому рецепту. Вот почему я предпочитаю использовать термин числовой рецепт, который полностью нейтрален. Вы знаете, он может быть полным мусором, он может быть отличным, он просто есть. Это просто серия вычислений, которая дает вам результат. Мы не предполагаем, что это хорошо для чего-то, он просто делает вычисление.
Проблема заключается в том, что когда люди используют термин эвристика, они придумывают что-то очень произвольное и применяют этот квалификатор, как если бы было дано, что числовой рецепт хорош. Естественно, снова, если мы идем в естественный мир, эти эвристики, эти инстинктивные способы добычи, например, объекта, они очень хороши. Они очень хороши. И как мы знаем, что они очень хороши? Ну, потому что когда мы пытаемся создать робота, который делает то же самое, он терпит полное фиаско и требует огромных усилий по инженерии, чтобы даже, знаете ли, приблизиться к тому, что мы можем делать инстинктивно.
Таким образом, это создает этот вид предвзятости, который заставляет людей думать, что, хорошо, я могу, например, сказать: “О, давайте скажем, что максимум в моей минимаксимальной инвентарной политике составляет три месяца спроса”. Почему я называю это эвристикой? Вы знаете, это что-то хорошее? Это может быть совершенно бессмысленным. Я не знаю. Это не потому, что у меня есть какое-то интуиция. Откуда эта интуиция? Вы видите это? И обычно она приходит из ниоткуда. И вот где, я думаю, ошибка.
Из-за того, что у нас есть другие сообщества, такие как сообщества компьютерных наук, где эвристика используется как термин, чтобы относиться к чему-то, что удивительно хорошо, мы имеем свободное положительное отношение, знаете, своего рода гало-эффект, который придает большую ценность этим числовым рецептам, чем они действительно заслуживают.
Conor Doherty: Но розничный продавец просто ответит на это, если бы услышал то, что вы только что сказали, и скажет: “Ну, я провожу анализ ABC. Я знаю, откуда идет подавляющее большинство моих продаж. Я поддерживаю определенно высокий уровень сервиса этих SKU на складе и зарабатываю деньги. Это не требует более сложных вещей, и это работает, потому что я все еще в бизнесе. Я зарабатываю деньги, и я зарабатываю больше, чем в прошлом году.”
Joannes Vermorel: Да, и у вас может быть магазин, в котором течет вода, и вы зарабатываете деньги. Таким образом, если бы у вас было больше магазинов, в которых течет вода, возможно, вы бы зарабатывали больше денег. Вы видите, снова, в этом проблема. Цепочка поставок - это только один элемент в большой картине. Так что ошибка заключается в том, чтобы думать, что потому что вы зарабатываете деньги, каждое ваше действие имеет смысл или положительно влияет на то, что вы прибыльны.
Даже компании, например, Apple, известны тем, что держат большинство своих сотрудников в неведении, когда речь идет о будущем компании. Это одна из хорошо известных черт Apple. Когда дело доходит до будущих выпусков продуктов, все держат в неведении, и они даже идут так далеко, что утекают внутренне ложные дорожные карты различным командам, чтобы если дорожная карта утекла, вы узнаете, кто получил ложную дорожную карту. Хорошо, действительно ли это аспект, который улучшает прибыльность Apple? Может быть, может быть и нет. Это то, что вы хотите эмулировать для другого бизнеса, чтобы сделать этот другой бизнес более прибыльным? Возможно, нет.
Итак, вы видите, я говорю, что если вы скажете мне: “Я использую анализ ABC, мой бизнес прибыльный”, единственный вывод заключается в том, что ABC просто не настолько плох, чтобы привести вашу компанию к банкротству. Но это единственное, что вы можете знать. Единственное, что вы можете сказать об анализе ABC.
Conor Doherty: Вы также можете сказать, снова, когда вы говорили о поиске оптимального, о поиске лучшей возможной точки, что это далеко не так. Вы можете сказать, что оставляете деньги на столе. Вы можете просто сказать, что звучит так, будто вы занимаете бинарную позицию, что делать это на 100% глупо или это на 100% хорошо.
Joannes Vermorel: Но здесь вы видите, снова, где видение компьютерного ученого и простого человека действительно расходятся. В компьютерных науках люди признают, что эвристика, я имею в виду числовой рецепт, приобретает способность быть названной эвристикой только в том случае, если она проявляет некоторое эмпирическое качество. Вы видите, это означает, что не каждый числовой рецепт, который я могу изобрести, является эвристикой. Чтобы квалифицироваться для эвристики, он должен быть удивительно хорош в чем-то.
Conor Doherty: С чем некоторые люди могут поспорить.
Joannes Vermorel: И это удивительное качество требует метрики. Он требует измерения.
Вы видите, подавляющее большинство, скажем, анализа ABC, например, здесь нет метрики, которая квалифицирует что-либо об этом. Это просто о том, чтобы назначить букву каждому продукту: A, B, C. Это просто о назначении этого. Затем расширение этого - иметь единообразную политику инвентаризации для каждого класса. Но эта единообразная политика инвентаризации может быть чем-то совершенно другим от уровня сервиса, например. Ваша единообразная политика на класс может быть такой, что для класса A я держу запас на три месяца. Для класса B - два месяца. Для класса C - один месяц. Знаете, это тоже работает.
Таким образом, уровни обслуживания не обязательно являются неотъемлемой частью анализа ABC. Доступность этих товаров соответствует их воспринимаемой важности. Анализ ABC заключается всего лишь в присвоении класса каждому продукту важности. Это заключается в присвоении класса, и да, способ, которым вы это делаете, - это взвешивание продаж, но это все. Итак, еще раз, что я говорю, это какая проблема вам нужно решить? Видите ли, анализ ABC - почему я говорю, что это числовой рецепт, а не эвристика, потому что вы не знаете, какие проблемы вы решаете. У вас нет никакой ссылки на то, что является оптимальным.
Conor Doherty: Итак, да, продолжайте.
Joannes Vermorel: Опять же, вот в чем проблема. Нам нужно разделять эвристику и произвольные числовые рецепты. Произвольный числовой рецепт может быть совершенно необоснованным. Я просто вычисляю это. Почему? Потому что я могу это вычислить. Так что я просто делаю расчет, вот и все.
Если вы хотите иметь эвристику, вам нужно иметь, скажем, цель, которая объясняет или способ оценить ее качество. Еще один пример: если я ищу эвристику из области информатики. Допустим, я использую XOR-сдвиг для генерации псевдослучайных чисел. Очень хорошо. Есть метрики, которые скажут мне качество последовательности чисел, чтобы считать их случайными. Множество метрик для этого.
Таким образом, если я использую эвристику, подобную XOR-сдвигу, я могу затем оценить, насколько хорошо она генерирует то, что понимается как случайные числа, согласно метрикам, которые определяют случайность вновь сгенерированного набора чисел. Так что вы видите, у меня есть метрика, у меня есть цель, я знаю, о чем говорю в терминах, является ли это эвристикой или нет. Я бы сказал, хорошо ли это или нет? Если да, то вы скажете, хорошо, это эвристика. Но если у вас нет представления о том, что вы делаете, то я думаю, что ошибкой будет называть это эвристикой, потому что вы не знаете, хорошо это или нет.
Вы просто придумали числовой рецепт и называете его эвристикой.
Conor Doherty: Итак, когда люди, снова, чтобы сделать это очень конкретным, когда люди, скажем, проводят анализ ABC и затем принимают решения на основе этого, например, хранят три месяца запасов для вашего класса A или устанавливают уровни обслуживания, какие бы решения ни были приняты после этого, и если они видят положительные результаты, они просто, это логическая ошибка. Они приписывают предыдущим действиям причинность. Да, потому что оценка качества, как вы сказали, как можно это сделать, если метрика не ясна?
Joannes Vermorel: Вы просто не можете. И снова, я думаю, что в этом вопрос с тем, что люди называют эвристиками. Я предпочитаю называть их нейтральным термином, числовой рецепт, потому что, на самом деле, они даже не пытались. Видите ли, дело в том, что очень часто даже не было попытки квалифицировать, было ли это хорошо или нет, количественно оценить, было ли это хорошо в какой-либо форме.
И есть множество примеров подобного рода. Вы можете, например, некоторые компании решают, что их цены будут круглыми числами. Некоторые предпочтут, чтобы они заканчивались на 99, некоторые предпочтут, чтобы они заканчивались на 95. Вы можете иметь политику, которая корректирует ваши числа, округляя их до чуть ниже 99 или до 95 или до 97 или просто округляя их до следующих круглых чисел.
Огромное, огромное, огромное большинство компаний, которые делают это, не имеют понятия, какой из этих вариантов лучше для них, и все равно выбирают один.
Conor Doherty: Таким образом, они в основном догадываются о причинности.
Joannes Vermorel: Да. И снова, я не оспариваю, что иногда, знаете ли, принятие политики способом, который совершенно произвольный и просто придерживаться ее ради простоты, вполне нормально. Но тогда вы не должны приписывать свой успех этому произвольному выбору. Вот что я говорю.
Conor Doherty: Ну, опять же, когда мы говорим, особенно с экономической точки зрения, когда вы говорите о эвристиках, большинство людей, да, они пытаются упростить проблему и принять решение. И также то, как они воспринимают это решение, тоже очень упрощенно. Например, “Я сделал одну вещь, я округлил все цены или сделал их 99, и продажи выросли или упали. Следовательно, пост хок эрго проктер хок, то, что я сделал раньше, вызвало это.” И, конечно, это невозможно. Проблема в том, что вы это сделали, когда было еще сто других людей, в то же время пытающихся разобраться в причинно-следственных связях, и это очень, очень сложно.
Joannes Vermorel: Да, это очень сложно. Я имею в виду, особенно в цепочке поставок, где у вас есть система, все как-то взаимосвязано. Это очень сложно. И моя точка зрения заключается в том, что, если правильно понять эвристику, она может быть абсолютно фантастической. И, кстати, она может буквально стать способом обойти ваших конкурентов, потому что если у вас есть то, что компьютерные ученые называют эвристикой, то есть что-то, что похоже на скрытый камень, что-то, что вы видите в алгоритме.
Разница между алгоритмом и эвристикой заключается в том, что алгоритм - это что-то, где у вас есть числовой рецепт. Вы можете прочитать числовой рецепт, и затем, как математик, вы можете доказать его свойства. Это фантастически. Это очень дешево. Видите ли, дело в том, что алгоритмы - невероятно дешевы. Вам не нужно проводить никакие эксперименты в реальном мире, чтобы доказать, что ваш алгоритм ведет себя хорошо. Это фантастически. Это означает, что вы можете иметь математика, работающего в своем офисе, и бац, у вас есть ваш алгоритм, который ведет себя хорошо и приносит ценность вашей компании.
Эвристика, ну, единственный способ обнаружить эвристику - это проводить эксперименты. Это что-то, что является эмпирической оценкой, и это очень сложно. И вот почему, например, стохастический градиентный спуск был, буквально десятилетиями, хотя его знали тысячи людей, оставался полностью незамеченным просто потому, что, ну, никто действительно не осознал, что на практике он работал прекрасно. Вот, так что это что-то, что является эвристикой. Она может существовать, но пока люди действительно не протестируют числовой рецепт и не увидят, что он прекрасно работает на определенных классах проблем, они не определят, что это ценная эвристика.
Conor Doherty: Мне приходит в голову, однако, с некоторыми заявлениями, которые вы сделали, например, снова, прежде чем я задам вопрос, что я привожу пример “Я сделал одну вещь, поэтому я предполагаю, что то, что я сделал, вызвало всплеск продаж или, возможно, вызвало убыток в продажах.” И вы сказали: “Но сто других людей сделали сто вещей или тысячу вещей, что угодно.” Мне кажется, что это почти звучит так, будто вы устанавливаете невозможный стандарт, потому что даже если бы вы использовали математические эвристики, как бы вы когда-либо узнали, что то, что вы выбрали сделать или инструменты, которые вы использовали, дали положительный результат, как только вы перенесете это из теории в реальную взаимосвязанную сеть принятия решений в цепочке поставок?
Joannes Vermorel: Нет, снова, вы можете проводить эксперименты и проверять качество всех числовых рецептов, которые у вас есть. Я не говорю, что вы не можете. Я просто говорю, что большинство компаний даже не пытаются.
Conor Doherty: Ну, как бы компания могла попробовать это? Как это выглядело бы?
Joannes Vermorel: Итак, именно об этом мы говорим в этой серии лекций об экспериментальной оптимизации. У меня есть целый час и полтора часа лекций на эту тему, и это называется экспериментальная оптимизация. Так что вы не можете знать, что вы оптимизируете, и первым шагом будет выяснить, что вы пытаетесь оптимизировать. И это очень отличается от классической математической оптимизации, где ваша цель уже задана.
Но то, что я говорю, заключается в том, что если я хочу вернуться к эвристике, то фундаментально нет причин думать, что лучший числовой рецепт обязательно должен быть тем, где есть математическое доказательство. Тот факт, что существует математическое доказательство, никак не связан с тем, хороший или плохой ваш числовой рецепт. Фундаментально это две совершенно разные точки зрения. Просто бывает так, что если у вас есть математическое доказательство, по крайней мере, вы знаете что-то хорошее. И в определенных условиях вы можете знать много и сказать: “О, это очень интересно, потому что я знаю так много, что по крайней мере по сравнению со всеми другими числовыми рецептами, где я ничего не знаю, я предпочитаю использовать тот, где у меня есть элементы доказательства. Это лучше, чем ничего.”
Но затем, если вы попробуете и на практике с правильной экспериментальной установкой, как описано в этой лекции об экспериментальной оптимизации, если у вас есть эмпирическое доказательство того, что это превосходит, то математический критерий не может переиграть обратную связь из реального мира. Так что если у меня есть два метода, один с множеством математических доказательств, другой без них, но другой дает мне лучшие результаты на практике, то я должен предпочесть этот другой, даже если у него нет хороших математических свойств.
И то, что делает эвристику очень интересной, часто по крайней мере с точки зрения информатики, заключается в том, что те вещи, которые квалифицируются для эвристики, иногда могут работать с крошечной долей вычислительных ресурсов, которые вам нужны для, скажем, более доказуемых решений. Например, снова, стохастический градиентный спуск. Стохастический градиентный спуск фантастически эффективен в оптимизации всех видов проблем. И все же, когда я говорю фантастически эффективен, я имею в виду, что вы можете достичь сравнимого уровня оптимизации с другими методами, вам понадобится тысячи, миллионы, миллиарды раз больше вычислительных ресурсов.
Так что это очень, очень эффективно, но у вас нет формального доказательства для этого.
Conor Doherty: Понятно. И вот опять, если вы говорите о распределении ресурсов и о возврате инвестиций из ресурсов, FIFO, о, я просто применил это в уме, это стоит ноль. Какова разница в стоимости с описанной вами схемой?
Joannes Vermorel: Я бы сказал, что нельзя обойти тщательное обдумывание ситуации. Будет ли FIFO иметь значение? Это сильно зависит от бизнеса к бизнесу. Для некоторых компаний это совершенно неважно. Вам все равно. Это совершенно не влияет. Для некоторых других компаний это имеет огромное значение.
Если вы действительно MRO и хотите ремонтировать авиадвигатели, порядок, в котором вы выбираете двигатели, будет чрезвычайно важен для того, чтобы ваши операции работали гладко или нет. Если мы говорим просто об организации транзита для логистической платформы и вы хотите сделать это по FIFO, это не имеет значения, потому что в конце каждого дня вы очистите свою платформу. Вы не хотите, чтобы на платформе оставалось что-то, когда вы делаете свои перевозки и так далее. Так что порядок в этой ситуации практически не имеет значения.
Conor Doherty: Ну, мне очень понравился пример, который вы привели. Опять же, если вы MRO, работаете с двигателями, вам нужно выбрать, над какими двигателями работать. И я хочу вернуться к тому, что вы сказали ранее, а именно, что люди обычно не оптимизируют то, что они думают, что оптимизируют, или они не оптимизируют правильное. Так в сценарии, который вы только что описали, когда люди применяют FIFO, они думают: “Ну, я вывожу двигатели, я оптимизирую ремонт двигателей”. Они хотя бы правильно думают о проблеме, даже если они не выполняют эвристику хорошо?
Joannes Vermorel: Нет, это другая проблема. Вы видите, обычно числовой рецепт, и я использую не термин “эвристика”, а числовой рецепт, является заполнителем для проблемы и решения. Вы знаете, мы просто делаем это. Ситуация не ставится как “в чем проблема и каков класс возможных решений и каковы будут различные качества этих различных решений”. Вы просто выбираете способ сделать это, и все. И вот, хорошо ли это, возможно, да, возможно, нет, это просто так.
Conor Doherty: Не просто так. Мне понравилось то, что вы сказали, что они путают способ, которым они пытаются исправить вещи, с проблемой и решением. Можете ли вы еще раз разъяснить это?
Joannes Vermorel: Гораздо проще думать о решении, чем думать о проблеме. Когда люди хотят думать о качестве обслуживания в магазине, очень сложно подумать о том, что означает это качество обслуживания. Качество обслуживания в основном означает попытаться понять ваш магазин так, как его видят ваши клиенты, и оценить, будут ли они удовлетворены или нет, учитывая все их свободные планы и желания и так далее, и все это постоянно меняется. Вот это и есть проблема, очень сложная.
Гораздо проще сосредоточиться на решении, которое состоит в пяти единицах для этого продукта, пяти единицах для этого продукта, двух единицах для этого продукта. Вы видите, я просто даю вам решение, сказав, сколько единиц у каждого продукта, и вуаля, я закончил. Так что изобретение, придумывание решения обычно намного проще, чем думать о проблеме. Но то, что вы не учитываете, когда делаете это, это то, что вы не знаете, насколько хорошо ваше решение. У вас просто есть решение, и если это решение как-то работает, возможно, вы скажете, что это хорошее решение, но вы не знаете.
И, возможно, ваш магазин работает очень хорошо не потому, что у вас правильные уровни запасов, а потому что где-то еще в вашей компании просто удалось договориться о фантастических ценах, которые оказались ниже. Таким образом, даже если уровни вашего запаса какие-то отстойные, ваши магазины все равно довольно конкурентоспособны. Вот что я просто говорю, что компании, опять же, нет такого понятия, как вещи, которые самоочевидны в цепочке поставок, не совсем, не в тех играх, где вы пытаетесь решить дискретные задачи оптимизации.
И я думаю, что шаг - признать, что у вас, пока не доказано обратное, нет эвристик. Это нечто, что было оценено как хорошее, удивительно хорошее. У вас есть числовые рецепты. Они хорошие? Плохие? Вы не знаете.
Conor Doherty: Потому что я недавно вел очень похожий разговор об этом с Саймоном Шоттом в Lokad, и мы говорили об оптимизации планирования. И снова он также использовал термин самоочевидное. Одной из проблем с определенными эвристиками или числовыми рецептами, каким бы термином вы не пользовались, например, FIFO, является то, что они игнорируют непосредственные внешние факторы или потому что это просто за пределами человеческого разума.
So for example, three engines, you arrive Monday morning, there are three engines. Which one to repair? Which was the first one in? I can’t compute all the interrelated steps and the interdependencies like working on this requires 100 parts, this requires 68, this requires 67. I need 20 tools for that, 10 of them I need on this as well. This needs to go over there when it’s done, that needs to go over there when it’s done. Joannes is sick, he’s not in today, so he can’t do step 20 of 30. Conor is doing an interview, he’s not available to complete step 99 of 100. There are all of these interdependencies, and they’re not self-evident to the human mind. Thus, you just fall back on, as opposed to total inaction, you fall back on which came in first.
And it’s not that it’s wrong, it’s in the absence, and this is Simon’s words, in the absence of something superior, you just use something that at least makes things work to a degree. And it seems like, having listened to you, you’ve used a much more mathematical way to describe that. But would that still align with what your sentiments are?
Joannes Vermorel: Да, но снова, вызов заключается в том, что вы выбираете решение, и у вас нет понятия, хорошее оно или нет. И очень часто, снова, вы не можете руководствоваться своей интуицией. Я думаю, вот в чем дело, снова, в естественном мире, эвристики, которые нам даны, как я могу фактически захватить и схватить объект, они хороши. Но когда мы переводим, нет перевода этого, знаете ли, я бы сказал, данного природой дара в мир сделанных людьми решений в области цепей поставок. Знаете, это совершенно разные вещи.
Например, была очень интересная статья, опубликованная. Люди проводили сравнительный анализ стратегий посадки в самолеты. И, знаете, примерно десять лет назад компании начали говорить: “О, мы хотим ускорить посадку, и поэтому мы будем вызывать пассажиров из первых рядов первыми, а затем вторые ряды, и затем другие ряды и т. д.” И люди сказали: “О, это логично, это ускорит процесс посадки”. Оказалось, что люди, некоторые исследователи, провели фактические эксперименты. Они сказали: “Хорошо, если мы разделим пассажиров на три группы и будем вызывать их по порядку от рядов с 1 по 10, затем с 11 по 20 и с 21 по 30, по сравнению с альтернативными политиками, есть ли у нас та, которая работает лучше?” И интересное, что они показали, было то, что отсутствие какой-либо политики, позволяющее людям случайным образом заполнять самолет, на самом деле было быстрее. Это не интуитивно, но это был эмпирический результат.
Итак, что я хочу сказать, это то, что хорошо для тех сложных явлений, которые очень сделаны людьми, потому что, видите ли, захватить мой стакан очень сложно в том смысле, что есть так много движущихся переменных. У меня пять пальцев, а затем у меня много суставов, так что это как проблема с, вероятно, 50 степенями свободы, если я просто делаю это простое движение, чтобы взять свой стакан. Так что это очень сложно, но наша интуиция работает. Но есть другие классы проблем, где наша интуиция не работает естественным образом, и я говорю, в цепях поставок, это в основном игры с дискретными проблемами, работа с случайностями. Наш разум не очень хорош в этом. Наш разум обычно очень хорош в работе с шаблонами, не очень хорош в работе с случайностями. И поэтому я бы сказал, не доверяйте своей интуиции слишком сильно. Она может очень ввести в заблуждение.
И это очень интересно, потому что в наши дни, несмотря на то, что у нас теперь есть доказательства того, что позволение людям случайно садиться в самолет быстрее, в наши дни большинство компаний имеют политику вызова людей в порядке, хотя теперь доказано, что это на самом деле медленнее.
Conor Doherty: Правда, но снова, это не демонстрирует тот момент, о котором вы упомянули ранее, потому что это зависит от того, на что вы оптимизируете. Если вы оптимизируете эффективность посадки, вы правы. Если вы оптимизируете прибыльность, вы хотите продать места или доступ, как Зона 1 - это зоны с 1 по 9, и это стоит 3000 долларов. Зоны с 10 по 15 стоят 1000 долларов, и мы заполним самолет по этой ставке, и я оптимизирую прибыль.
Joannes Vermorel: Но это даже относится к самолетам, где все места по одной цене. Эти политики применяются даже в дешевых авиакомпаниях, где нет бизнес-класса, нет первого класса, и практически все пассажиры оплачивают одну и ту же цену, независимо от того, какое место у них.
Conor Doherty: Тогда нет необходимости в продвинутой посадке.
Joannes Vermorel: Но они все равно это делают.
Conor Doherty: Так им не следует?
Joannes Vermorel: Я повторю еще раз, то, что я говорю, это то, что они придумали в своем уме числовой рецепт, который звучал так: “Мы будем вызывать людей порциями, потому что кажется, что если мы введем больше порядка, это будет работать более эффективно.” И затем люди провели фактические эксперименты и пришли к выводу, что нет, это на самом деле ухудшает производительность по сравнению с тем, что вы делали ранее, когда не пытались решить проблему и просто позволяли людям сами разбираться при посадке в самолет.
Вот в чем дело. Опять же, то, что вы думаете, это разница. Очень легко придумать числовой рецепт, но если у вас нет понятия, хорош он или нет, вы не должны предполагать, что просто потому что это было первое, что пришло вам в голову, это будет хорошо. И вы не должны предполагать, что просто потому что это выглядит правдоподобно, это будет хорошо.
Conor Doherty: Ну, вы также можете расширить эту идею в терминах произвольного установления любого KPI и предположения, что это имеет значение.
Joannes Vermorel: Да, и снова, люди, есть этот психологический уклон, что люди склонны влюбляться в свои собственные идеи. Вроде, “Нам нужно повысить качество обслуживания, поэтому нам нужно повысить уровень обслуживания с 97% до 98%”, и затем это становится политикой компании. Это имеет смысл? Может быть, может быть и нет. Я рассказывал вам об этой идее минимума и максимума. Нам нужно иметь запас на три месяца, и это становится политикой компании. Очень легко придумать числовой рецепт, потому что все, что у вас есть, это взять переменные, которые перед вами, и что-то с ними сделать, и вы посчитаете что-то.
Здесь это ошибка, совершаемая, я бы сказал, наивным рационализмом. Не потому, что вы вычисляете что-то с переменными, которые случайно оказались перед вами, это вычисление правильное. Оно может быть правильным в числовом смысле, что вы не делаете ошибку в сложении и умножении, но формула, которую вы только что придумали, на самом деле ничего не отражает.
Conor Doherty: Но это естественно противоречит или конфликтует с естественной тенденцией людей к фундаментальному атрибутивному уклону. Они просто предполагают: “У меня есть агентство, я что-то сделал, я установил политику, я установил KPI, я установил правило, и мы заработали деньги. Следовательно, я не только великолепен, но и я несу ответственность за то, что произошло.”
Joannes Vermorel: Да, но снова, вы говорите “мы заработали деньги”, но на самом деле большинство компаний, особенно большинство отделов поставок, не имеют финансовых KPI. Часто происходит так, что вы просто проверяете, соответствуете ли вы правилам, которые вы установили для себя, и все. Здесь вы говорите, “Мы прибыльны”, но снова, большинство отделов поставок просто проверяют, соответствуют ли они своим собственным процентам.
So, for example, they would say, “Oh, we need 97% service levels,” and then they will do things, and at the end of the day, they would say, “Oh, we are very good, look, we have achieved 97% level. We’ve lost a lot of money, but we have 97% service.” The fact that we earn money or lost money is irrelevant. You’re counting percentages, not dollars. I mean, very few companies that I know beyond the clients are actually considering any kind of financial metrics for their supply chain. It’s usually completely absent. They will think in terms of inventory turns, they will think in terms of service levels, they will differentiate those service levels indeed by ABC classes and whatnot.
But you see, it’s not because you set for yourself an arbitrary target of service level and then you declare victory when you reach these arbitrary targets. You can assume that being compliant with your own target is somehow correlated with the profitability of the company, but that’s a very bold assumption.
Conor Doherty: Ну, опять же, это демонстрирует общий момент, который был сделан раз за разом в различных формах, а именно, тенденцию людей понимать серьезные проблемы. Например, если вы говорите о планировании, вы говорите о том, сколько заказывать, куда отправлять, и пытаетесь разложить это так, чтобы это вписывалось в человеческий разум. Так, например, “Ну, если у меня просто 90, если я перейду от 95 до 97% уровня обслуживания, проблема решена”, и она решена. Как только я достигну этой цели, ну, это самоисполняющееся. Но, конечно, это игнорирует множество взаимосвязанных и взаимозависимых процессов принятия решений, о которых мы говорили ранее.
Joannes Vermorel: Да, но я бы также описал, как я уже сказал, что решение обычно намного проще, чем проблема. Так что, если мы посмотрим, например, на обслуживание самолета, реальность в том, что если во время технического обслуживания не хватает одной детали, самолет будет на земле. Это довольно очевидно, если только вы не получите ее в последний момент. Но теперь решение заключается в том, что “Я просто хочу иметь ненулевой уровень запаса обслуживаемых деталей для всего”, и это будет вашим простым ответом. Так что если у меня есть это, то я в порядке, пока я могу поддерживать ненулевой уровень запаса обслуживаемых деталей в любой момент времени, я в порядке.
Таким образом, это мое решение. Проблема заключается в том, что оно полностью игнорирует тот факт, что предложенное вами решение слишком дорого стоит, потому что потребует слишком много запасов, и поэтому это не является выполнимым решением, не совсем. Вот где вам снова нужно вернуться к числовому рецепту. Мне нужно охарактеризовать этот числовой рецепт, чтобы убедиться, что он правильно формализован, чтобы я мог затем оценить его полезность и затем решить, является ли это алгоритмом, эвристикой или чем-то еще.
Моя точка зрения заключается лишь в том, что опасно предполагать, что то, что было сделано, что это была произвольная числовая политика, что у этой вещи есть какие-то врожденные свойства только потому, что она была сделана таким образом раньше. Единственное, что вы можете сказать, это то, что это не было настолько плохо, чтобы довести компанию до банкротства, но это очень низкий уровень. Вы можете иметь вещи, которые очень, очень плохи, и все равно не будут достаточными, чтобы убить компанию, особенно если ваши конкуренты также делают вещи, которые очень, очень неэффективны.
Conor Doherty: Вы упомянули, на самом деле, в одном из наших разговоров ранее, снова говоря о последствиях внедрения в реальность произвольных политик или произвольных KPI. Так, например, сумма денег, которая требуется для перехода от 95 до 97% уровня обслуживания, примерно на порядок больше, чем требуется для перехода от 85 до 87% уровня обслуживания. Так что вы говорите, “О, я просто хочу увеличить на 2%”, но здесь действует закон убывающей отдачи.
Joannes Vermorel: Да.
Conor Doherty: И затраты экспоненциально увеличиваются, когда вы достигаете определенного уровня. И снова, люди могут сказать: “Я просто хочу увеличить на 2%”, и неочевидно, как все это распространяется.
Joannes Vermorel: Человеческий разум не является компьютером, и есть определенные вещи, о которых я говорил вам, что человеческий разум не очень хорошо справляется с случайностью, например, но он также не очень хорошо справляется с геометрическим ростом. Вещи, которые увеличиваются экспоненциально, человеческий разум просто не понимает этого. У нас нет механизма.
Да, если я, как математик, возьму время, возьму ручку и бумагу, и затем сделаю свои расчеты, да, я пойму это. Но у нас нет инстинкта; у никого нет инстинктивного понимания разницы между тысячей, миллионом, миллиардом, триллионом. У нас нет возможности почувствовать такие вещи, так же как у нас нет возможности внутри нашего мозга различать гауссовский шум или любой другой вид не гауссовского альтернативного шума. Если я дам вам все виды случайности, гауссовский шум плюс, если вы не были специально обучены идентифицировать это, большинство людей скажут: “О, кажется, очень случайно”. У нас нет, я бы сказал, инстинктивного восприятия класса статистического шума, но математики обнаружили множество различных типов шума, случайного поведения.
Conor Doherty: По этому поводу вы упомянули ранее о планировании ремонтов, например, в авиационной отрасли. Ну, идея, если кто-то скажет: “Ну, знаете, у нас действительно очень умные люди, и в любое время, когда нам нужно восстановить последовательность действий для ремонта двигателя, у нас есть 10 действительно умных людей. Они садятся и сами разбираются в этом внутри.” Конечно, это неразумно. Подумайте, как ранее сказал Саймон, неразумно даже ожидать, что сто супер умных людей с ручкой и бумагой или с электронной таблицей смогут превзойти в масштабе повторно все необходимые расчеты для определения оптимального нового графика, учитывая все взаимосвязи, все количество деталей, все необходимые навыки, затраченное время.
И нужно учитывать, как вы сказали ранее, в случае технического обслуживания и ремонта, у вас нет роскоши времени. Так что даже если бы это было возможно, и мы просто предположим для обсуждения, что это так, это не так, но давайте просто скажем, что это так, это займет бесконечное время по сравнению с алгоритмом, который может сделать это за несколько минут. И все это имеет свою цену. То, к чему я возвращаюсь, и снова, так я это понимаю и пытаюсь объяснить, это не вопрос умности или глупости. Просто есть внешние факторы, которые просто невидимы для человеческого глаза, по определению невидимы для человеческого глаза.
Joannes Vermorel: К сожалению, мы также должны учитывать тот факт, что большинство поставщиков программного обеспечения абсолютно не компетентны. Так что, видите ли, это также еще один фактор. Люди говорят: “О, видите ли, мой аргумент в том, что если 10 человек садятся и находят решение, и если это не срабатывает, то в следующую минуту, просто потому, например, что не хватает какой-то детали и так далее, они перейдут к альтернативе. Так что они будут снова исследовать низкокачественные решения, пока не найдется то, которое подходит, немного похоже на крысу, проходящую через лабиринт. Это нормально, о, стена, хорошо, направление, другая стена, хорошо, другое направление.”
Но нам нужно немного разделить, знаете ли, была ли проблема в том, что эту проблему нельзя было решить с помощью компьютеров, и человеческий разум совершает некую вуду, которую пока невозможно воспроизвести на компьютере, или же проблема заключалась в том, что ее просто решал абсолютно неумелый поставщик программного обеспечения, и оказалось, что решение, которое он предоставил, было ужасным.
Конор Доэрти: Но по этому поводу, как неспециалисты — вот это термин, я неспециалист — как неспециалист может знать, является ли то, что он слышит, или то, что говорит поставщик, неумелостью или нечестностью? Или как можно проверить любые из этих утверждений?
Йоаннес Верморель: Это огромная проблема. Так вот, есть еще одна лекция по этому поводу. Это адверсарная маркетинговая исследовательская деятельность, но это еще один час объяснений о том, как вы можете действительно обнаружить неумелых поставщиков.
Конор Доэрти: Какие-нибудь эвристики, какие-нибудь правила на память?
Йоаннес Верморель: Да, я имею в виду, здесь действительно дана эвристика, но это доказано. Итак, помните, это простое решение, которое удивительно и эмпирически работает хорошо, лучше, чем вы ожидаете. И так эвристика, данная в адверсарном маркетинговом исследовании, звучит так: как вы узнаете? Вы спрашиваете, когда у вас есть поставщик, вы спрашиваете у конкурентов этого поставщика, что они думают об этом поставщике. И это адверсарно.
Поэтому, если вы хотите иметь правильное мнение о поставщике, вы не спрашиваете у поставщика, потому что поставщик просто вас обманет. Вы спрашиваете у его конкурентов, что они думают об этом парне. И затем вы также делаете симметричное: вы спрашиваете у всех поставщиков, что они думают о других поставщиках. Это называется адверсарной оценкой и она оказалась очень, очень надежной. Уоррен Баффет сделал свое состояние на основе этого очень простого принципа. И идея заключалась в том, что если все согласны — и у Баффета был этот вопрос: “Если у вас был серебряный пуль, чтобы волшебным образом устранить одного из ваших конкурентов, кто был бы целью вашего серебряного пуля?”
И это был очень интересный вопрос, потому что люди, если все конкуренты указывают на одну и ту же компанию, то вы оказываетесь в ситуации, где, окей, эта компания, очевидно, угрожает всем остальным. И эти поставщики наиболее компетентны в этой отрасли, так что наиболее компетентный действующий лицо — это тот, на кого указывают все конкуренты. Итак, это эвристика, знаете ли, пока вы не протестируете это адверсарное маркетинговое исследование, вы не поймете, насколько хорошо оно работает. И даже не очевидно, что оно работает вообще, но оно было протестировано и работает прекрасно, как продемонстрировано, среди прочего, успехом Berkshire Hathaway.
Конор Доэрти: Ну, Йоаннес, у меня больше нет вопросов, но в плане заключительных мыслей, выводов для людей сегодня, потому что мы охватили много тем. Но в плане эвристик в цепочке поставок, каков будет ваш краткий обзор для людей?
Йоаннес Верморель: То, что вы делаете, скорее всего, просто числовые рецепты, произвольные числовые рецепты. Сохраните термин эвристика для чего-то, что является скрытым сокровищем, чем-то простым и прекрасно работающим, но у вас есть эмпирические доказательства того, что это работает. Не просто “Я делаю это и компания не обанкротилась, так что это работает”. Это слишком низкий уровень. Так что сохраните этот термин.
Если вы выявите такие рецепты, которые работают гораздо лучше, чем можно было бы ожидать от такого простого числового рецепта, то берегите это. Это чрезвычайно ценно. Но опять же, эта ценность должна быть обоснована, я бы сказал, реальной оценкой в реальном мире, выраженной в долларах или евро, а не просто вашим предчувствием стоимости этого числового рецепта.
Конор Доэрти: Ну, Йоаннес, спасибо большое. Я думаю, мы решили эту проблему, еще одна в копилку. Большое спасибо за ваше время и за то, что смотрели. Увидимся в следующий раз.
