Перейти к основному содержанию

Может ли повышение точности прогнозов решить наши проблемы с планированием спроса?

Искусственный интеллект и машинное обучение в управлении цепями поставок

13:41, 5 августа 2022Игорь ПрохинИсточник: Logistics Viewpoints

Автоматический перевод статьи Полли Митчелл-Гатри на Logistics Viewpoints:

Если «прогноз всегда неверен», то является ли повышение точности прогноза решением наших проблем с планированием спроса? Во времена, которые по-прежнему бросают вызов нашей способности предсказывать их, слова известного статистика Джорджа Бокса как никогда актуальны: «Все модели ошибочны, но некоторые из них полезны». Итак, что мы можем сделать, чтобы сделать модели более полезными? Искусственный интеллект и машинное обучение ( AI/ML ) могут повысить точность прогнозов, но более серьезной проблемой является неспособность установить точные ожидания в отношении моделей прогнозирования, а не точность самих моделей. Чтобы цепочки поставок могли получить больше пользы от своих моделей, нам нужно «довериться коробке»; признать, что модели не являются святым Граалем; и помните, что прогноз — это вклад в принятие лучших решений, а не самоцель.

Доверяя коробке

Зачем заниматься прогнозированием, если модель всегда ошибочна? Потому что переход от интуитивных предположений к статистическому прогнозированию уменьшает предвзятость и повышает объективность, основываясь на многолетних исследованиях статистиков, кодифицированных в программном обеспечении для прогнозирования. Несмотря на инвестиции в эффективные инструменты, я регулярно слышу, как руководители цепочки поставок выражают недовольство тем, что их команды «не доверяют коробке». Руководители хотят, чтобы планировщики использовали прогнозы, которые генерирует программная «коробка», и сосредотачивали свое время на исключениях, чтобы повысить эффективность процесса.

Так почему же планировщики не «доверяют коробке»? Профессора Роберт Филдс и Пол Гудвин посвятили значительную часть своей выдающейся карьеры изучению внедрения инструментов прогнозирования, которые они описали в недавнем тематическом исследовании . Несмотря на многочисленные доказательства того, что игнорирование прогноза чревато предвзятостью, редко добавляет ценности, но всегда требует времени, люди продолжают вмешиваться, ставя свое суждение выше коробки. Они документируют множество причин, почему это так, от наблюдаемых человеческих предубеждений, которые мы с готовностью сбрасываем со счетов, до несоответствия стимулов «неприятию алгоритмов».

Неприятие алгоритма — это термин, придуманный тремя исследователями из Чикагского и Уортонского университетов, чьи исследования показывают, что люди более снисходительны к тому, что они считают ошибками, когда их совершают люди, чем когда они совершаются алгоритмом. Если люди думают, что модель неверна, они теряют доверие к «коробке», но не к человеку. Опасения вытеснения AI/ML усугубляют этот эффект, особенно с учетом природы этих моделей в виде «черного ящика».

Повышенная точность моделей AI/ML, как правило, достигается за счет интерпретируемости. И, как сообщают Файлдс и Гудвин, люди будут упорствовать в неэффективном процессе, если организационные факторы поддерживают это решение, вознаграждая их корыстные интересы. Так что же можно сделать, чтобы планировщики доверяли коробке? Растущий интерес к AI/ML стимулировал внимание к интерпретируемости, поэтому сегодня существуют инструменты, которые делают эти причудливые модели более объяснимыми. Выберите программное обеспечение, которое включает эти функции. Инвестируйте в процесс планирования продаж и операций (S&OP), который уравновешивает коробку с человеческим суждением для достижения консенсуса и поддержки заинтересованных сторон. И задокументируйте фактическое влияние суждений, используя процесс прогнозирования добавленной стоимости , чтобы четко определить, когда они добавляют ценность, а когда нет.

Нацельтесь на коробку, а не на Святой Грааль

Противоположностью неприятию алгоритмов может быть то, что я называю «устремлением к алгоритмам», то есть ожиданием того, что AI/ML — это святой Грааль, единственный конец стремления к повышению точности прогнозов. Когда руководители думают, что проблема в плохом планировщике спроса, чей «прогноз всегда неверен», они склонны попадать в ловушку, думая, что решение — это более сложная математика в форме моделей AI/ML. Иногда меня спрашивают, может ли компания отказаться от статистического прогнозирования и просто начать с AI/ML. Чтобы ответить на этот вопрос, позвольте мне объяснить, почему AI/ML вызывает такой большой интерес, прежде чем объяснять пределы скачкообразного роста.

AI/ML имеет огромный потенциал для бизнеса, и это одна из причин, по которой Deloitte и MHI обнаружили , что уровень внедрения ИИ в цепочках поставок подскочил на 43% с 2020 по 2021 год, а еще 60% намереваются внедрить его в ближайшие несколько лет. ИИ/МО можно применять для решения проблем с поставками, но наибольший интерес вызывает спрос. Он может улучшить стандартное прогнозирование, но также включает новые сигналы, отличные от истории продаж, расширяя диапазон входных данных, информирующих о будущем спросе в методе, называемом определением спроса. Получение лучшего контроля над спросом является убедительным, особенно когда недавняя история продаж часто уже не является хорошим предсказателем. Так почему же отказаться от статистического прогнозирования и сразу перейти к AI/ML — плохая идея?

Во-первых, если компания еще не использует статистическое прогнозирование, ее общий процесс планирования спроса, скорее всего, нуждается в доработке и улучшении качества данных. Наиболее актуальными методами AI/ML для прогнозирования являются модели машинного обучения, для которых требуются большие объемы чистых данных. Эти модели работают, «обучаясь» на прошлых шаблонах, что требует достаточного количества данных для «обучения» математики поиску шаблона.

Во- вторых, как утверждают ведущий эксперт по прогнозированию Спирос Макридакис и другие , модели машинного обучения не всегда дают лучшие результаты, особенно если учитывать стоимость их внедрения. Лучший путь вперед — тщательно оценить вариант использования для применения AI/ML и сопоставить выгоды с затратами. Хорошо спроектированное решение, применяемое в правильном сегменте, может полностью оправдать вложенные средства, но это решение должно приниматься в контексте бизнеса, а не только одного показателя точности прогноза.

Прогноз — это вход, а не решение

Задача цепочки поставок состоит в том, чтобы доставлять нужные товары в нужное место в нужное время, удовлетворяя потребности клиентов и максимизируя прибыль. Планирование спроса критически важно для выполнения этой работы, но оно является одним входом в одно звено в цепи. Даже идеальный прогноз может не иметь значения, если заводу не хватает мощностей для его выполнения, или недостаточны запасы для его производства, или дистрибуция не может его доставить. Сложность цепочки поставок заключается в том, что все эти вопросы взаимосвязаны.

Повышение точности прогнозов имеет решающее значение, но не менее важным является повышение гибкости, с которой компания может реагировать на неизбежные сбои, прозрачность для понимания их полного воздействия и совместная работа для обеспечения наилучших решений для всего бизнеса, а не только для одного подразделения. Как сказал мне на этой неделе один из наших клиентов, в его бизнесе полезная модель имеет точность прогноза 70-75%, а сверх этого он видит убывающую отдачу. Поскольку число не может быть идеальным, его приоритетом является повышение их способности быть проворными.

Зацикленность на прогнозе может отвлекать от того, что не все прогнозы одинаково важны. Специалист по планированию, который должен прогнозировать тысячи SKU, должен найти способы сосредоточить свои усилия там, где они наиболее важны. Часть ценности AI/ML в планировании спроса заключается в автоматизации очевидных вещей, чтобы планировщик мог выделить свое время продуктам с более высокой изменчивостью, объемом и маржой. Но в конечном счете ее прогноз является вкладом в серию решений, которые должен принять бизнес, а не самоцелью. Ее время также было бы полезно потратить на отношения, которые позволят ей укрепить доверие, объяснить свой процесс и узнать больше о более широком контексте.

Вывод

Я твердо верю в силу AI/ML, но также и в то, что в отношении него должны быть установлены соответствующие ожидания. Инвестиции в новые подходы к точности прогнозов могут улучшить планирование спроса, но не ограничивайте инвестиции причудливой математикой. Уравновешивайте веру в лучшие модели построением лучшего процесса, отношений и способностью реагировать быстро, совместно и четко. Комбинация будет намного мощнее.

Полли Митчелл

Полли Митчелл-Гатри (Polly Mitchell-Guthrie) — вице-президент по связям с общественностью и идейному лидерству компании  Kinaxis, лидера в предоставлении людям возможности принимать уверенные решения в цепочке поставок. Ранее она занимала должности директора аналитических консультационных услуг в системе здравоохранения Университета Северной Каролины, старшего менеджера группы по связям с клиентами Advanced Analytics в отделе исследований и разработок SAS и директора глобальной академической программы SAS.

Митчелл-Гатри имеет степень магистра делового администрирования бизнес-школы Кенан-Флаглер Университета Северной Каролины в Чапел-Хилл, где она также получила степень бакалавра политических наук в качестве стипендиата Морхеда. Она активно работала на многих должностях в INFORMS (Институте исследования операций и наук в области управления), в том числе работала председателем и заместителем председателя Сертификационного совета аналитики и секретарем Общества аналитиков.

Комментарии


В Подмосковье произошел пожар на складе Ozon

In Home арендовал 8 000 кв. м складских площадей…

Глобалтрак запускает цифровую платформу GT-2

X5 покупает контроль в двух ведущих ритейлерах…

Новости на почту

Дайджест читает 28 111 профессионал логистики и управления цепями поставок

Новости на почту

Дайджест читают 28 119 профессионалов логистики и управления цепями поставок