Вероятностное прогнозирование

Вероятностные прогнозы намного превосходят предыдущее поколение прогнозов от Lokad, которое было основано на квантильных схемах. Если сравнивать вероятностные прогнозы с классическими, то они являются огромным шагом вперед: их точность намного выше, что позволяет значительно увеличить прибыль за счет оптимизации цепей поставок, товарных запасов и производства.

Учет неопределенности

Многие компании недовольны тем, что составляемые для них прогнозы не сбываются. Компании Lokad потребовались годы, чтобы найти корень проблемы: показатели, получаемые при традиционном прогнозировании, считаются верными. Будущее по природе своей неопределенно, и если ваша система не может создать прогноз, который сбудется, то и выгода от ее использования сходит на нет. По опыту мы знаем, что никакие настройки и подгонки существующих моделей прогнозирования, никакие попытки разработать более качественные (но традиционные) модели прогнозирования не решают указанную проблему. Такие методы как анализ резервного запаса должны учитывать неопределенность, но на практике это всего лишь попытка выйти из положения, увертка. Вероятностные прогнозы — это абсолютно новый способ оценки ситуации в будущем В цепях поставок расходы определяются крайними случаями: чрезвычайно высокий спрос приводит к дефициту товара и недовольству клиентов, а чрезвычайно низкий — к появлению неликвидных запасов и увеличению расходов на их содержание. Всем известно, что в бизнесе нужно надеяться на лучшее, но готовиться к худшему. Если спрос оказывается на ожидаемом уровне, то все будет хорошо. Тем не менее от коммерческих систем прогнозирования требуется не просто хорошо выполнять свои функции в простых случаях, когда все получается даже при использовании примерных плавающих средних значений. Намного важнее эффективно обрабатывать сложные ситуации, когда нарушается работа цепей поставки и никто не знает, что нужно делать.

Компания Lokad разработала новый способ создания прогнозов — вероятностное прогнозирование. Проще говоря, вероятностный прогноз спроса — это не просто оценка будущего спроса, а оценка вероятности каждого возможного значения спроса в будущем. Сначала оценивается вероятность спроса в 0 (ноль) единиц, затем — в 1, 2 единицы и т. д. Вероятность возникновения каждого уровня спроса оценивается до тех пор, пока значения не становятся настолько ничтожными, что их можно спокойно проигнорировать.

Вероятностные прогнозы — это абсолютно новый способ оценки ситуации в будущем. Верить, что обычный прогноз сбудется — самообман. Вероятностные прогнозы показывают, что возможно все, просто вероятность возникновения событий разная. Если говорить о подготовке к худшему, вероятностные прогнозы — отличный способ количественной балансировки рисков (при традиционном прогнозировании последние не учитываются).

В обычных прогнозах анализ рисков выполняется уже после прогнозирования,
тогда как в вероятностных прогнозах Lokad этому вопросу уделяется особое внимание.

С точки зрения пользователя

Само название «вероятностные прогнозы» может звучать довольно жутко и сложно. Тем не менее, если вы занимаетесь цепями поставки, то вы, наверняка, уже составляли вероятностные прогнозы "на интуитивном уровне": вспомните все ситуации, когда базовые прогнозы приходилось "подправлять", из-за того что риски были слишком велики. В этом и заключается особенность вероятностных прогнозов: принятие сбалансированных продуманных решений с учетом неопределенности развития ситуации в будущем. В обычных прогнозах анализ рисков выполняется уже после прогнозирования, тогда как в вероятностных прогнозах Lokad этому вопросу уделяется особое внимание.

При вероятностном прогнозировании система выдает распределение вероятности. Это довольно-таки большой объем информации (ведь система представляет множество возможных вариантов развития событий!), поэтому в необработанной форме от таких прогнозов мало толку. Именно поэтому компания Lokad создала целую платформу со всеми необходимыми инструментами и командой поддержки, чтобы ваша компания могла использовать вероятностные прогнозы для принятия решений, например об объеме заказов.

Веб-приложение Lokad имеет функцию обработки больших объемов данных, и оно позволяет создавать необходимые алгоритмы, которые преобразуют прогнозы в решения, адаптированные именно под вашу компанию. Эти решения можно настраивать с учетом ограничений ваших цепей поставки: минимального объема заказа, факторов экономического развития, таких как риски, связанные со сроком годности продукции, производственных процессов, например если необходимо размещать заказ на закупку товаров до 8 утра каждый день.

неважно, сколько недель или месяцев будет потрачено на то, чтобы система заработала,
она будет постоянно требовать дальнейшей настройки

Автоматизация и машинное самообучение

Управление цепями поставок зачастую подразумевает перемещение большого числа товаров во многих местах. Обычные системы прогнозирования часто требуют ручной подстройки параметров при наличии сложных статистических схем, например эффектов нового товара или фактора срока годности. Тем не менее опыт Lokad показывает, что если системе требуется тонкая настройка, то эта процедура будет отнимать огромное количество времени и сил: неважно, сколько недель или месяцев будет потрачено на то, чтобы система заработала, она будет постоянно требовать дальнейшей настройки, просто потому что в прогнозировании учитывается очень много товаров, очень много мест и развитие компании не стоит на месте.

Именно поэтому процедуры прогнозирования в Lokad полностью автоматизированы. Преимущества такой организации системы:

для составления прогнозов не требуются навыки статистической обработки информации
не требуется тонкая настройка прогнозов
не требуются дополнительные действия для подгонки прогнозов под деятельность вашей компании

Автоматизация достигается посредством алгоритмов машинного самообучения. Если рассматривать товары по одному, то количество информации по каждому из них обычно слишком мало, чтобы выполнить точный статистический анализ. Однако если рассматривать взаимозависимость всех продаваемых товаров, можно автоматически подстраивать модели прогнозирования и создавать гораздо более точные прогнозы, в которых будут учтены не только данные по отдельному товару, но и данные по всем товарам, которые считаются подобными с точки зрения прогнозирования.

Алгоритмы, которые решают указанную высокоразмерную статистическую проблему, называют алгоритмами машинного самообучения или алгоритмами статистического обучения. Lokad использует многие из этих алгоритмов для расчета прогнозов. Небольшим недостатком указанных алгоритмов является то, что для них требуется больше вычислительных мощностей, нежели для традиционных алгоритмов прогнозирования. Однако эта проблема решается за счет облачных вычислений, так что система прогнозирования работает стабильно независимо от количества обрабатываемых данных.

В Lokad система прогнозирования постоянно совершенствуется. section class="section col3">

История вероятностных прогнозов

Вероятностные прогнозы были изобретены не компанией Lokad — это сделали другие математики, которые в основном использовали их для решения других проблем, таких как расчет стоимости товарных запасов и прогнозирование погоды. Кроме того, компания Lokad не использовала вероятностные прогнозы с самого начала: мы начали с классического прогнозирования (2008), затем перешли на квантильные прогнозы (2012) и квантильные схемы (2015) и только потом оказались там, где сейчас. Таким образом, вероятностные прогнозы — это четвертое поколение нашей системы прогнозирования.

Благодаря опыту, полученному на предыдущих стадиях, мы знаем, как подстраивать систему прогнозирования под определенные бизнес-ситуации.

Сама идея оценки вероятности, а не среднего значения появилась в самом начале нашей работы, когда мы еще пытались использовать классический подход к прогнозированию. Мы претерпели несколько неудачных опытов, прежде чем осознали, что классический подход по природе своей неудачен, и что никакие исследования не помогут скорректировать его недостатки. В первую очередь необходимо было выбрать правильную стратегию статистического прогнозирования, чтобы модели прогнозирования могли работать.

Кроме того, все поколения нашей системы прогнозирования представляли собой обобщение (с математической точки зрения) предыдущих версий. Каждое новое поколение справлялось с большим количеством ситуаций, чем предыдущее. Лучше примерно правильные значения, чем точно неверные. Самый сложный случай — это когда система прогнозирования не может создавать прогнозы, которые подходили бы для конкретной ситуации из-за ограниченных возможностей самой системы. Недостаток возможностей системы также приводил к тому, что она не могла обрабатывать данные, которые могли бы быть очень важны для статистического описания конкретной ситуации.

В Lokad система прогнозирования постоянно совершенствуется. Мы гордимся вероятностной системой прогнозирования, которую мы создали, но и это еще не конец. При использовании локального ПО переход на новую систему сам по себе может стать большим испытанием, однако клиенты Lokad могут начать пользоваться системой прогнозирования нового поколения сразу же, как только она появится.

Часто задаваемые вопросы

Какие модели прогнозирования вы используете?

Мы используем множество моделей прогнозирования. Большинство моделей, которые мы используем сегодня, можно назвать алгоритмами машинного самообучения. Эти модели были разработаны Lokad самостоятельно, и у них нет известных аналогов в научной литературе. Когда компания только появилась в 2008 году, мы использовали все классические алгоритмы (метод Бокса-Дженкинса, авторегрессионное интегрированное скользящее среднее, модель Хольта-Винтерса, экспоненциальное сглаживание и т. д.), но мы перестали их использовать, так как они просто не выдерживали конкуренции с нашими новыми моделями.

Как вы выбираете, какие модели использовать?

Выбор правильной модели или сложной комбинации моделей — это добрая половина создания первого хорошего прогноза. Со статистической точки зрения, система, которая может всегда выбирать "наилучшую модель", должна всегда создавать "идеальные" прогнозы. На практике при выборе наилучшего набора моделей наша система прогнозирования во многом полагается на ретроспективное тестирование.

Учитывает ли ваша система прогнозирования сезонность, тренды, дни недели?

Да, наша система прогнозирования учитывает все стандартные виды цикличности. В целях повышения точности прогнозирования по отдельно взятому товару в наших моделях для обработки цикличности различных товаров также используются различные временные ряды. К примеру, спрос на два разных товара может одинаково изменяться в зависимости от сезона, но еженедельные изменения спроса для них будут разными. У нас есть модели, которые могут учесть такие факторы.

Какие данные вам требуются?

Для прогнозирования спроса системе требуется (как минимум) история спроса (продаж) за каждый день, причем негруппированная история заказов даже лучше. Как правило, чем длиннее история, тем лучше. Сезонные изменения невозможно отследить, если история не превышает 2 лет, поэтому хорошо иметь 3-летнюю историю, а в идеале — 5-летнюю. Для прогнозирования времени выполнения заказов системе требуются данные о заказах на закупку товаров с датами размещения и доставки. Дополнительные атрибуты товара или SKU помогают значительно повысить качество прогнозов. Кроме того, если вы предоставите данные об уровне ваших запасов, нам будет проще составить для вас первый анализ товарных запасов.

Можете ли вы выполнить прогнозирование по моим записям в файле Excel?

Как правило, если все ваши данные помещаются на одном листе Excel, мы не сможем вам помочь, и, если честно, вряд ли это сможет сделать кто-то другой. Данные в таблицах обычно объединяются по неделям или месяцам, и в итоге большая часть информации из-за этого теряется. Кроме того, в таких файлах вряд ли будет достаточно информации по категориям и иерархии ваших товаров. Наша система настроена на работу со всеми имеющимися данными, и выполнение теста на небольшом образце не даст сколько-нибудь стоящих результатов.

Как вы работаете со случаями дефицита товаров и промоакциями?

Случаи дефицита товаров и промоакции вводят погрешность в историю продаж. Наша цель — прогнозирование спроса, а не продаж, поэтому указанную погрешность необходимо учитывать. Очень часто (но неправильно) данная проблема решается переписыванием истории продаж: в пустые места вписываются данные, а резкое повышение показателей занижается. Мы не используем этот подход, потому что он подразумевает ввод прогнозов в систему прогнозирования, что может привести к большим проблемам с переподгонкой. Наша система поддерживает “флаги”, которыми отмечаются места, где спрос был урезан или завышен.

Выполняете ли вы прогнозирование для новых товаров?

Да. Тем не менее, для этого системе необходимо знать даты запуска других, “старых” товаров, а также спрос на них на момент запуска. Кроме того, рекомендуется использовать некоторые категории и/или иерархию товаров. Система выполняет прогнозирование для новых товаров, автоматически обнаруживая “старые” товары, которые можно сопоставить с новыми. Тем не менее из-за того что фактический спрос на новые товары еще не был зафиксирован, прогнозы полностью зависят от атрибутов, связанных с ними.

Можно ли подстраивать прогнозы?

Наш практически десятилетний опыт статистического прогнозирования говорит, что подстройка прогноза ни к чему хорошему не приводит. Если прогнозы необходимо подстраивать, то, скорее всего, в систему закралась ошибка, и ее необходимо устранить. Если ошибки в системе нет, а прогнозы, со статистической точки зрения, составляются так, должным образом, то подстройка не решит проблему. Обычно потребность в подстройке прогноза вызывается необходимостью учета того или иного фактора экономического развития, который влияет на анализ рисков на основе “уже готового” прогноза, но не на сам прогноз.

Есть ли у вас опыт работы с предприятиями моей сферы деятельности?

Мы работали с представителями самых разных отраслей: мода, свежие продукты питания, потребительские товары, электроника, запчасти, авиатехника, легкая промышленность, тяжелая промышленность и т. д. Мы также работаем с самыми разными компаниями: интернет-магазинами, оптовиками, импортерами, производителями, дистрибьюторами, розничными сетями и т. д. Свяжитесь с нами, чтобы узнать, есть ли у нас опыт работы в вашей сфере деятельности.

Используете ли вы внешние данные для корректировки прогнозов?

Нет. При составлении ваших прогнозов мы используем все свои знания и системные решения, разработанные и полученные при работе с другими клиентами, однако мы не используем данные, полученные из внешних источников, будь то клиенты Lokad или общественные базы данных. Точно так же, ваши данные используются только в целях, непосредственно связанных с учетной записью вашей компании, и ни для чего больше.