Принятие более эффективных решений по планированию спроса в мире неопределенности

Учитывая хрупкое состояние нашей глобальной цепочки поставок, прогнозирование того, что производить, отгружать и складировать, сегодня более важно, чем в недавнем прошлом. Обеспечение того, чтобы потребители могли найти нужные им продукты в местных продуктовых магазинах, чрезвычайно сложно, учитывая изменения в покупательском поведении, которые мы наблюдали за последние три недели:

  • Изоляция COVID-19 коренным образом изменила все аспекты нашей жизни, включая то, что, как, где, когда и почему мы делаем покупки.
  • Мы вступаем в рецессию после более чем десятилетия устойчивого роста
  • Многие люди принимают решения о покупке из страха, а не из нужды.

Когда их цепочки поставок снова находятся в центре внимания, многие компании изо всех сил пытаются понять, почему их процессы планирования спроса не работают и что они могут сделать, чтобы их исправить. Вот моя точка зрения после разговора с другими по этому поводу.

В краткосрочной перспективе прогнозирование должно отойти на второй план.

Потребительский спрос коренным образом отличается в изолированном мире: исторические данные и инфраструктура моделирования, построенная на этих данных, больше не репрезентативны для мира, в котором мы живем сегодня. Некоторые товарные категории почувствуют влияние этого сдвига больше, чем другие, но мы можем предположить, что большинство наблюдений за товарными магазинами до февраля 2020 года являются необъективными. Многие спрашивали, могут ли другие кризисные события быть репрезентативными для нашей текущей ситуации (например, ураганы или метели, из-за которых люди не выходили на неделю; первые наблюдения из Китая в декабре / январе), но существует слишком много различий между этими событиями и сегодняшними устойчивыми событиями. , глобальная изоляция, чтобы мы поверили, что это так.

К сожалению, это оставляет нам очень небольшой набор репрезентативных выборок данных, из которых можно извлечь. Ансамблевые модели (например, XGBoost), вероятно, не подходят для такого маленького размера выборки, в то время как модели временных рядов (например, ARIMA) будут избыточно соответствовать, учитывая экстремальную дисперсию продаж, которую розничные торговцы наблюдали за последние две недели. Что делать в такой ситуации?

Учитывая, как мало у нас данных наблюдений и как быстро развивается ситуация, не следует ожидать надежных прогнозов будущего в краткосрочной перспективе. Культурные и экономические проблемы, связанные с этой пандемией, только начинаются: любые точечные оценки, которые мы разрабатываем сейчас, будут совершенно неточными. Даже если нам повезло на этапе моделирования, у нас не будет достаточно наблюдений, чтобы надежно измерить наши ошибки вне выборки. Пока у нас не будет достаточно данных для подтверждения нашего подхода к прогнозированию, наше время лучше потратить в другом месте.

Принятие разумных решений в условиях неопределенности

Учитывая, что мы больше не можем составлять точные прогнозы, возникает вопрос: «Как мы можем принимать более эффективные решения по цепочке поставок в мире неопределенности?».

Во-первых, мы должны подчеркнуть, что нет «правильного» ответа на многие трудные решения, которые мы примем в ближайшие недели. «Идеальное - враг хорошего», безусловно, применимо в этой ситуации: смягчение предубеждений, непредвзятость и гибкость на данном этапе важнее, чем мучения над данными.

Во-вторых, мы должны целенаправленно корректировать наши ментальные модели для планирования спроса. Исторические данные и стабильные прогнозы следует отбрасывать в пользу моделей, взвешенных по давности, аналитики в реальном времени и обоснованных предположений, которые были подтверждены на уровне руководства. Скорее всего, нам придется изменить способ измерения успеха: а) поддерживать доступность критически важных потребительских товаров на полках и б) избегать проблем с денежными потоками, которые могут повлиять на наш основной бизнес. Подобные выборы требуют компромиссов, и группы специалистов по встроенным данным имеют отличные возможности для консультирования по рискам, связанным с каждым решением.

Наконец, мы можем создавать экспертные системы и инфраструктуру машинного обучения, чтобы предупреждать нас, когда нам следует пересмотреть наши предположения. Генеративные модели, такие как Парето / NBD и Парето / GGG, в частности, могут рассказать богатое повествование о кажущемся неустойчивом покупательском поведении. Визуализируя их апостериорное распределение с течением времени и наблюдая, как они меняются и меняют форму, мы можем отслеживать точки переключения спроса и делать выводы о том, что на самом деле происходит в магазинах по всей Америке. Эти вероятностные модели тоже не дадут нам точных точечных оценок, но ничего страшного: изучение распределений вероятностей поможет разработчикам с уверенностью обосновывать свои решения. Все модели неправильные, но наша еще может пригодиться.

По мере того, как ограничения снимаются и наша жизнь становится более уверенной, мы можем улучшить наши ансамблевые модели с помощью краткосрочных байесовских прогнозов, настраиваемых функций потерь и новых функций, связанных с коронавирусом. А пока мы будем принимать разумные решения, сводящие к минимуму риск разорения.