С 2008 г. мы прилагаем все усилия для предоставления наиболее точных прогнозов, которые могут дать современные технологии. Наша технология находится в постоянном развитии и учитывает самые современные открытия в математических и компьютерных науках.

6 ПОКОЛЕНИЙ ПРОГНОЗОВ

Последние 10 лет технологии обработки данных развивались умопомрачительными темпами. Компании прошли путь от технологий, основанных на математике, которая практически не изменилась с 18 века, до больших данных, основанных на машинном самообучении и глубоком обучении. Компания Lokad уделяет основное внимание предвосхищению грядущих тенденций и предоставлению наилучших научных практик для оптимизации цепей поставок.

Давайте вспомним, какие этапы развития прошла наша технология прогнозирования.

• Дифференцируемое программирование (2019): совмещает в себе два алгоритмических поля: машинное самообучение и численную оптимизацию
• лубокое обучение (2018): Вероятностное прогнозирование на основе автоматизации посредством искусственного интеллекта (ИИ) и сетей графических процессоров
• Вероятностное прогнозирование (2016): Учет неопределенностей с помощью машинного самообучения и высокоразмерных методов статистики
• Квантильные схемы (2015): Рассмотрение всей вероятности распределения спроса с учетом ограничений цепи поставок
• Квантильные прогнозы (2012): Переход от прогнозов среднего значения к прогнозированию ошибок, отражающему асимметрии, характерные для определенных отраслей
• Классические прогнозы (2008): Переход от корректируемых вручную математических моделей к полностью автоматизированному анализу полноценной библиотеки моделей

ПРАВИЛЬНЫЙ НАБОР ИНГРЕДИЕНТОВ

Рецепт успеха

Технология Lokad не подразумевает поддержку только одной (или нескольких) волшебной статистической модели. Она представляет из себя комбинацию совместно работающих компонентов, которые создают необходимую реакцию. Уже в самом начале своего существования мы быстро осознали всю пропасть между чистым математическим моделированием и реальностью цепей поставок.

То, что чудесно работало в теории, было крайне неэффективно для реального бизнеса: данные были нечеткими, недостаточно глубокими, разреженными, весь объем эталонных и входных данных из истории продаж некоторых типов бизнеса делал чрезвычайно сложным применение каких-либо классов моделей, а из-за ограничений самой цепи поставок совершенствование классической метрики точности прогнозирования фактически приводило к снижению показателей работы бизнеса.

Компании Lokad пришлось разработать соответствующие технологические решения для всех этих проблем и существенно изменить свою точку зрения на процесс прогнозирования и оптимизацию цепей поставок.

Корреляции

с глубоким обучением

Если рассматривать только один продукт, у вас просто не хватит данных для построения точного статистического прогноза. В самом деле, на большинстве рынков потребительских товаров жизненный цикла продукта составляет менее 4 лет, а значит, в среднем у большинства продуктов нет даже 2-летней истории продаж, которая является минимальной для проведения надежного анализа сезонных колебаний при взгляде на один временной ряд. Мы решаем проблему, используя статистические корреляции: информация, полученная по одному продукту, помогает уточнить прогноз по другому. Например, Lokad автоматически находит подходящую кривую сезонности продукта, даже если продукт был в продаже всего лишь в течение 3 месяцев. Действительно, хотя сезонные колебания не могут быть определены по данным за 3 месяца, в случае, если есть более длительная история продаж других продуктов, мы можем вычислить сезонность по ним и применить ее к новым продуктам.

Вычислительные мощности

посредством облачным вычислений и графических процессоров

Хотя использование корреляций на исторических данных значительно повышает точность, в то же время увеличивается объем необходимых вычислений. Например, чтобы вычислить корреляцию для всех возможных пар среди 1000 продуктов, придется рассмотреть чуть менее чем 1 000 000 комбинаций. А ведь многие компании имеют гораздо больше чем 1000 продуктов. При поступлении данных от наших клиентов мы, используя возможности облачных вычислений и графических процессоров (GPU), выделяем машины, только когда действительно нуждаемся в них, а затем менее чем через 60 минут возвращаем результаты, одновременно освобождая выделенные машины. В связи с тем что облачный сервис который мы используем (Microsoft Azure) оплачивается поминутно, мы потребляем только те вычислительные мощности, которые нам действительно необходимы. Так как ни одной компании прогноз не требуется чаще чем один раз в день, наша стратегия сокращает стоимость оборудования более чем в 24 раза по сравнению с традиционными подходами.

Вероятности

для решения задач предприятия

Традиционный прогноз — это усредненный прогноз. Другими словами, это значение, имеющее 50-процентный шанс быть выше или ниже величины будущего спроса. К сожалению, эта классическая точка зрения не отвечает на ключевые запросы цепей поставок — сокращение запасов при исключении дефицита товаров. В 2016 году Lokad ввел понятие вероятностных прогнозов для цепочки поставок, где оценивается вероятность того или иного уровня спроса. Lokad прогнозирует не значения спроса для каждого отдельного товара, а общую вероятность спроса. Вероятностные прогнозы значительно превосходят классические для товаров с низкой оборачиваемостью, при нерегулярных продажах и на всплесках спроса. Мы считаем, что через 10 лет все компании, серьезно относящиеся к оптимизации запасов, будут применять вероятностные прогнозы, возможно, основанные на нашей технологии.

ОТ МАТЕМАТИЧЕСКОЙ БИБЛИОТЕКИ К КОМПЛЕКСНОМУ РЕШЕНИЮ

У нас есть огромная библиотека статистических моделей. Она включает в себя известную классику, например Бокса-Дженкинса, экспоненциальное сглаживание, авторегрессию и все их варианты. Тем не менее классические модели плохо применимы к взаимозависимостям. Поэтому мы разработали более совершенные модели, которые используют все доступные нам данные. С самого начала мы, не переставая, следим за предоставляемыми клиентам прогнозами. Каждый день мы производим тестовые прогнозы, чтобы тщательно оценить и исключить оставшиеся слабые стороны нашей технологии. Мы продолжаем совершенствовать наши модели, пополняя библиотеку новыми моделями и парадигмами. А наши клиенты выигрывают от постоянного улучшения технологии.

Однако мы уже давно поняли, что этого недостаточно, и нам следует глубже изучить реальность цепей поставок, а также ограничения и особенности каждого вида бизнеса. Поэтому мы не только не требуем каких-либо навыков по работе со статистическими данными от наших клиентов, но и сами управляем всем этим процессом, чтобы наше решение было полностью рабочим, содержало точные заявки на закупки, предложения по распределению или ценообразованию, а также панели управления с ключевыми показателями эффективности для оценки точности работы нашей системы.

Наши специалисты по цепям поставок всегда готовы использовать все ваши коммерческие данные в рамках индивидуального проекта. Это становится возможным благодаря использованию ориентированного на цепи поставок языка программирования Envision. Его гибкость позволяет нам точно подстраивать сценарии, которые должны полностью отражать суть вашего бизнеса, чтобы иметь возможность предложить вам идеальное дополнение к нашей технологии прогнозирования.

Подробнее об Envision можно узнать на нашем специальном сайте с технической документацией. ПОДРОБНЕЕ  →