Впервые опубликовано в блоге Samya.ai: https://samya.ai/5-questions-to-ask-your-demand-forecasting-vendor/
Как распорядители прогнозов в организации CPG, специалисты по планированию спроса сталкиваются с ежедневными трудностями, пытаясь точно определить и спрогнозировать спрос на продукт. И хотя прогнозирование спроса по-прежнему остается проблемой, это всего лишь одна часть головоломки. Помимо точности, специалистам по планированию спроса необходимы гибкость и способность заранее предвидеть и реагировать на тенденции, закономерности и потрясения.
Но традиционные системы прогнозирования просто не были приспособлены к сложности и изменчивости сегодняшних условий. Они, как правило, основаны на правилах, работают линейно и последовательно, и, поскольку они не учитывают внешние факторы, они не могут определить изменчивость. Эти системы никогда не будут такими чувствительными, как это требуется специалистам по планированию спроса, из-за их неспособности учиться и учитывать присущую человеческому фактору предвзятость.
Так, где это оставляет нас? Разве технологии не должны упрощать, а не усложнять жизнь специалистам по планированию спроса? Я надеюсь, что эти вопросы помогут вам и вашей организации разработать более гибкую и масштабируемую методологию прогнозирования:
- Вы сосредоточены на создании статистических прогнозов или предоставлении оперативных прогнозов на основе ИИ для специалистов по планированию спроса?
- Насколько глубока и контекстуальна ваша методология прогнозирования?
- Насколько опережающими являются ваши прогнозы?
- Включает ли ваш подход к прогнозированию человеческое суждение, устраняя предвзятость прогноза?
- Насколько гибкой и масштабируемой является ваша методология прогнозирования?
Вы сосредоточены на составлении статистических прогнозов или предоставлении оперативных прогнозов на основе ИИ специалистам по планированию спроса?
Традиционное статистическое прогнозирование до сих пор хорошо служило специалистам по планированию спроса. Обычный процесс планирования спроса начинается с создания статистического прогноза, в основном основанного на традиционных методах временных рядов. Для создания этих прогнозов прилагаются значительные усилия — очистка истории от воздействия различных факторов, обеспечение качества данных, использование различных моделей для создания прогноза и выбор наилучшей модели в соответствии с требованиями. В зависимости от компании эти задачи выполняются либо планировщиком спроса, либо собственной, либо внешней группой статистического прогнозирования.
После того, как статистические прогнозы созданы, начинается реальная работа по обогащению этих прогнозов, чтобы максимально улучшить прогноз.
Ручное обогащение — самый ценный шаг в процессе прогнозирования. Это принимает форму: а) сбора данных от отделов продаж и маркетинга, б) обогащения прогнозов вручную на основе входных данных и суждений, в) согласования согласованных чисел на уровне категории/бренда/национального уровня, г) дезагрегирования и согласования чисел. до самого низкого пункта-неделя-неделя/месяц.
Результатом вышеуказанного процесса является окончательный «операционный» или «расширенный прогноз», который управляет выполнением восходящего и нисходящего потоков.
Многие поставщики и механизмы прогнозирования гордятся статистическими прогнозами. Однако реальным прогнозом, который следует улучшить, является операционный или расширенный прогноз. Именно здесь ценность заключается как в рентабельности бизнеса, так и в операционной эффективности и результативности. Настоящее испытание заключается в том, сможет ли подход поставщика прогнозов надежно превзойти текущую точность операционных прогнозов компании.
Насколько глубока и контекстуальна ваша методология прогнозирования?
В современном мире глубокое обучение преодолело границы точности прогнозирования по сравнению с традиционными временными рядами и даже моделями машинного обучения. Это хорошо видно на последних соревнованиях Kaggle и реальных реализациях в избранных продвинутых компаниях.
Сегодня использование моделей глубокого обучения не только выгодно, но и необходимо для изучения сложных взаимодействий, шаблонов и нелинейных отношений в шаблонах спроса и его движениях.
Алгоритмы глубокого обучения также могут лучше справляться с некоторыми сложными явлениями в мире потребительских товаров, такими как перенос отпусков, сложная сезонность, введение новых и инновационных продуктов, сезонные продукты и т. д.
Дальнейшие модели глубокого обучения могут фиксировать многоуровневые тенденции и шаблоны и улучшать прогнозы на разных уровнях (как тенденции роста категории влияют на прогнозы на уровне операционных единиц хранения и т. д.).
Однако для правильного использования методов глубокого обучения требуется глубокая специализация в следующих областях:
- Сетевые архитектуры
- Гипернастройка параметров сетевой архитектуры, таких как скорость обучения, количество слоев, оптимизатор, планировщик, размер пакета, импульс и т. д.
- Оптимизация вычислительных стратегий
- Надежная регуляризация и проверка
Хотя библиотеки для использования алгоритмов глубокого обучения доступны в мире с открытым исходным кодом, разница заключается в том, насколько хорошо реализация способна настроить архитектуры глубокого обучения, чтобы сделать их полезными для получения 10-кратного преимущества.
Существует большая разница между посредственной реализацией этих алгоритмов и высокоспециализированной и научно разработанной реализацией.
Насколько опережающими являются ваши прогнозы?
Многие решения для прогнозирования способны учитывать внутренние и внешние факторы, но терпят неудачу, когда информация о будущем этих факторов недоступна. (Например, рекламные акции розничных продавцов, рекламные акции для потребителей, рекламные акции и т. д.) Во многих случаях информация от отделов торговли, продаж и маркетинга не доходит до специалистов по планированию спроса вовремя, чтобы их можно было использовать надлежащим образом.
В результате для таких факторов исторические данные могут быть доступны для прошлой истории, но не для будущего. Это распространяется и на другие внешние факторы, в зависимости от ситуации, такие как погода, цены на сырье и т. д.
Как в таких случаях адаптируется методология прогнозирования? Исключает ли он такие факторы или может использовать упреждающие методы для учета воздействия таких факторов?
Это становится решающим отличием для прогнозирования успеха.
Включает ли ваш подход к прогнозированию человеческое суждение, устраняя предвзятость прогноза?
Человеческая предвзятость в прогнозировании — хорошо известная проблема. Чрезмерная реакция при планировании и предвзятость из-за чрезмерного оптимизма проявляются либо в постоянном завышении, либо в занижении прогнозов во многих категориях потребительских товаров (например, товары для красоты, представление новых продуктов и т. д.). Источники предвзятости могут исходить из различных исходных данных, таких как индивидуальный планировщик спроса. предвзятость, входы S&OP и т. д.
В то же время нельзя игнорировать человеческую интуицию, суждение и доступ к качественной информации. Любая методология прогнозирования новой эры должна уметь выделять человеческий шум из сигнала человеческого суждения и объединять лучшее из человеческого интеллекта и искусственного интеллекта.
Насколько гибкой и масштабируемой является методология прогнозирования?
В сегодняшней крайне нестабильной среде тестом для технологии прогнозирования является ее способность адаптироваться к изменяющимся требованиям к прогнозированию и поддерживать повышенную скорость циклов планирования. Нынешний сценарий COVID-19 — это единичный случай. Многие организации переходят от цикла планирования и прогнозирования один раз в неделю к циклам планирования и прогнозирования один раз в неделю и два раза в неделю и делают это для более коротких временных интервалов (от следующих 3 месяцев до следующих 4 недель, до следующей недели и т. д.).
Ваша технология прогнозирования должна не только поддерживать все эти требования по отдельности, но и поддерживать разные прогнозы для разных горизонтов и частот согласованным образом.
Кроме того, технология должна быть способна адаптироваться как к масштабу комбинаций продуктов, местонахождения и времени, так и к требуемому времени отклика — в течение ночи, в выходные дни и т. д.
Решающее значение имеет проектирование и разработка технологии и конвейеров прогнозирования с учетом масштаба, скорости и гибкости.
