За пределами прогнозирования тонкое равновесие между обслуживанием клиентов и развитием бизнеса

«Неожиданное равновесие удовлетворение клиентов и успех бизнеса»

Компании используют прогнозирование временных рядов для принятия основных плановых решений, которые помогают им навигировать по неопределенному будущему. В этом посте мы обращаемся к участникам поставочной цепочки, которые имеют общую потребность в определении количества готовой продукции на различных плановых горизонтах времени. Кроме определения количества необходимых товаров, бизнесам часто необходимо знать, где они будут нужны для создания географически оптимального инвентаря.

Хрупкое равновесие между избытком и нехваткой

Если производители производят слишком мало деталей или готовых товаров, это может привести к тяжелым выборам в распределении имеющихся ресурсов среди своих партнеров по торговле или бизнес-подразделений. В результате заказы на закупку могут иметь более низкую степень принятия и меньшие получаемые прибыли. По мере движения вниз по поставочной цепочке, если у розничного продавца слишком мало товаров для продажи по сравнению с спросом, он может разочаровать покупателей из-за отсутствия товара на складе. Если у розничного покупателя есть немедленная потребность, такие неучтенные потери могут привести к покупке у альтернативного розничного продавца или аналогичного бренда. Эта замена может стать риском потери клиента, если альтернативный продавец станет новым стандартом.

С другой стороны, избыток товаров также может вызывать штрафы. Излишки товаров теперь должны храниться на складе до их продажи. Ожидается, что определенный уровень резервного запаса поможет подстраховаться от ожидаемой неопределенности спроса; однако избыточный запас товаров приводит к неэффективности, которая может размывать финансовые показатели организации. Если товары переходящие, избыточность может привести к потере всей или части первоначальных инвестиций, потраченных на приобретение продаваемого готового товара.

Даже когда товары не являются переходящими, во время хранения они фактически становятся запасным ресурсом, который мог бы быть доступным на балансовом отчете, как свободные денежные средства или использоваться для других инвестиций. Вне зависимости от балансового отчета, хранение и затраты на хранение не бесплатны. Организации обычно располагают ограниченным количеством складских и логистических возможностей. Они должны работать в этих ограничениях, эффективно используя имеющиеся ресурсы.

• Объявлена общедоступность Amazon Bedrock
• Обнаружение аномалий в данных CRM пошаговое руководство
• Овладение искусством визуализации данных советы и техники

Столкнувшись с выбором между избытком и нехваткой, в среднем большинство организаций предпочитает иметь избыточность сознательно. Измеримая стоимость нехватки часто является более высокой, иногда в несколько раз, по сравнению с избыточностью, о которой мы рассуждаем в следующих разделах.

Основная причина предпочтения избыточности – это избежание нематериальных затрат на утрату доброго имени у потребителей, когда товары недоступны. Производители и розничные продавцы думают о долгосрочной ценности клиента и стремятся развивать лояльность к бренду – эта миссия помогает определить их стратегию в сфере поставочной цепочки.

В этом разделе мы рассмотрели неравенства, возникающие из-за неправильного распределения ресурсов после процесса планирования спроса. Затем мы рассмотрим прогнозирование временных рядов и оптимальное соотнесение прогнозов спроса с стратегиями поставок на уровне товаров.

Классические подходы к циклам продаж и операционного планирования

Исторически прогнозирование осуществлялось с использованием статистических методов, которые дают точечные прогнозы, представляющие собой наиболее вероятное будущее значение. Этот подход часто основан на методах скользящего среднего или линейной регрессии, которые стремятся подобрать модель, используя метод наименьших квадратов. Точечный прогноз включает в себя одно среднее прогнозное значение. Поскольку точечный прогнозное значение сосредоточено вокруг среднего, ожидается, что реальное значение будет выше среднего значение приблизительно в 50% случаев. Это означает, что оставшиеся 50% времени истинное число будет меньше точечного прогноза.

Точечные прогнозы могут быть интересными, но если их применять без экспертного обзора, это может привести к тому, что розничные продавцы будут лишаться обязательных товаров в 50% случаев. Чтобы предотвратить недостаточное обслуживание клиентов, планировщики спроса и предложения применяют ручные пересмотры судебного решения или корректируют точечные прогнозы с помощью формулы резервного запаса. Компании могут использовать свое собственное толкование формулы резервного запаса, но идея заключается в том, чтобы помочь обеспечить наличие товара в течение неопределенного краткосрочного горизонта. В конечном счете, планировщикам придется решить, увеличивать или уменьшать прогнозные значения точечного прогноза в соответствии со своими правилами, толкованием и субъективным взглядом на будущее.

Современное состояние искусства прогнозирования временных рядов обеспечивает выбор

Для удовлетворения реальных потребностей в прогнозировании AWS предоставляет широкий набор возможностей, которые предлагают современный подход к прогнозированию временных рядов. Мы предлагаем услуги машинного обучения (ML), включая, но не ограничиваясьAmazon SageMaker Canvas (для подробностей см. Train a time series forecasting model faster with Amazon SageMaker Canvas Quick build), Amazon Forecast (Start your successful journey with time series forecasting with Amazon Forecast), и Amazon SageMaker встроенные алгоритмы (Deep demand forecasting with Amazon SageMaker). Кроме того, AWS разработал пакет программного обеспечения с открытым исходным кодом, AutoGluon, который поддерживает различные задачи ML, включая задачи в области временных рядов. За дополнительной информацией обратитесь к Easy and accurate forecasting with AutoGluon-TimeSeries.

Рассмотрим точечный прогноз, обсуждаемый в предыдущем разделе. Реальные данные гораздо сложнее, чем могут быть выражены с помощью среднего значения или прямой регрессионной оценки. Кроме того, из-за дисбаланса избытка и недостатка требуется несколько точечных оценок. AWS-сервисы решают эту проблему с помощью использования моделей машинного обучения в сочетании с квантильной регрессией. Квантильная регрессия позволяет выбирать из широкого спектра планировочных сценариев, выраженных в виде квантилей, вместо того, чтобы полагаться на единственный точечный прогноз. Это именно эти квантили предлагают выбор, который мы подробно описываем в следующем разделе.

Прогнозы, разработанные для обслуживания клиентов и стимулирования роста бизнеса

На следующей фигуре показана временная последовательность с несколькими вариантами прогноза, возможными благодаря квантильной регрессии. Красная линия, обозначенная как p05, предлагает вероятность того, что реальное число, каким бы оно ни было, ожидается ниже линии p05, примерно в 5% случаев. Следовательно, в 95% случаев реальное число, скорее всего, окажется выше линии p05.

Затем обратите внимание на зеленую линию, обозначенную как p70. Реальное значение окажется ниже линии p70 примерно в 70% случаев, оставляя 30% шанс того, что оно превысит линию p70. Линия p50 представляет собой среднюю перспективу на будущее, с равными шансами того, что значения окажутся выше или ниже линии p50 в среднем. Это примеры, но каждый квантиль может быть интерпретирован аналогичным образом.

В следующем разделе мы рассмотрим, как измерить избыток и недостаток по историческим данным.

Измерение избытка и недостатка на основе исторических данных

Предыдущий раздел продемонстрировал графический способ наблюдения за прогнозами; еще один способ их рассмотрения – таблица, как показано в следующей таблице. При создании моделей временных рядов часть данных остается не тронутой операцией обучения, что позволяет генерировать метрики точности. Хотя будущее неопределенно, основная идея здесь заключается в том, что точность в течение периода отложения является наилучшим приближением того, как будут работать прогнозы на завтрашний день при прочих равных условиях.

В таблице не показаны метрики точности, вместо этого она показывает истинные значения, известные из прошлого, наряду с несколькими квантильными прогнозами от p50 до p90 с шагом 10. Во время последних пяти исторических периодов истинный спрос составлял 218 единиц. Квантильные прогнозы предлагают диапазон значений от 189 единиц до 314 единиц. По этой таблице легко видеть, что p50 и p60 приводят к недостатку, а последние три квантиля приводят к избытку.

Мы ранее указывали, что существует асимметрия в избытке и недостатке. Большинство компаний, которые принимают осознанное решение увеличивать запасы, делают это, чтобы избежать разочарования клиентов. Критическим вопросом становится: “Для будущего, за какое квантильное прогнозное число должен планировать бизнес?” Учитывая существующую асимметрию, необходимо принять взвешенное решение. Об этой потребности будет рассказано в следующем разделе, где прогнозируемые количества, выраженные в единицах, преобразуются в соответствующие финансовые значения.

Автоматический выбор правильных квантильных точек на основе максимизации прибыли или целей обслуживания клиентов

Для преобразования квантильных значений в бизнес-значения необходимо найти штраф, связанный с каждой единицей избыточных запасов и каждой единицей недостатка, поскольку они редко бывают равными. Решение этой проблемы хорошо документировано и изучено в области исследований операций и называется проблемой газетчика. Витин (1955) первым сформулировал модель спроса с учетом эффектов ценообразования. Проблема газетчика получила свое название из времени, когда продавцы газет должны были решить, сколько газет купить на день. Если они выбирали слишком низкое число, они распродавались рано и не достигали своего потенциала по доходам. Если они выбирали слишком большое число, у них оставалась “вчерашняя новость”, и они рисковали потерять часть своих спекулятивных вложений первыми часами утра.

Для вычисления штрафов за недостачу и избыток на каждую единицу, требуется несколько данных для каждого товара, который вы хотите прогнозировать. Вы также можете увеличить сложность, указав данные как пару товар+местоположение, товар+клиент или другие комбинации в соответствии с деловыми потребностями.

• Ожидаемая стоимость продажи для товара.
• Общая стоимость товара, приобретаемого или производимого.
• Оценочные затраты на содержание товара на складе в случае его непродажи.
• Дата изъятия товара, в случае его непродажи. Если товар сильно перишабленный, стоимость его изъятия может приближаться к нулю, что приведет к полной потере первоначальной инвестиции в товар. Когда товар стабилен на полках, его стоимость изъятия может быть любой, но всегда ниже ожидаемой стоимости продажи товара, в зависимости от характера сохранения и возможного старения товара.

На следующей таблице продемонстрировано, как квантильные точки были самостоятельно выбраны из имеющихся точек прогноза в известных исторических периодах. Рассмотрим пример товара 3, который имел реальный спрос в предыдущих периодах равный 1578 единицам. Оценка p50 в 1288 единиц не удовлетворила бы спрос, в то время как значение p90 в 2578 единиц привело бы к избытку. Из наблюдаемых квантилей значение p70 приводит к максимальной прибыли в размере 7301 доллара. Исходя из этого, можно видеть, что выбор значения p50 привел бы к штрафу около 1300 долларов по сравнению со значением p70. Это всего лишь один пример, но каждый товар в таблице имеет свою уникальную историю.

Обзор решения

На следующей диаграмме представлена предлагаемая рабочая последовательность. Сначала Amazon SageMaker Data Wrangler использует предсказания обратного тестирования, сделанные моделью прогнозирования временных рядов. Затем предсказания обратного тестирования и известные фактические данные связываются с финансовыми метаданными по каждому товару. На этом этапе с использованием предсказаний обратного тестирования, преобразование SageMaker Data Wrangler вычисляет стоимость недостачи и избытка на каждый товар.

SageMaker Data Wrangler преобразует прогнозируемые значения в финансовый контекст и автоматически выбирает квантиль, обеспечивающий наибольшую прибыль среди рассматриваемых квантилей. Результатом является таблица данных, сохраненная на Amazon S3, и концептуально аналогична таблице в предыдущем разделе.

Наконец, модель прогнозирования временных рядов используется для создания прогнозов на будущие периоды. Здесь вы также можете выбрать, какие операции производить на основе выбранного квантиля. Это позволяет снизить вычислительные затраты, а также избавиться от необходимости ручного обзора каждого отдельного товара. Эксперты в вашей компании могут иметь больше времени для работы с наиболее ценными товарами, в то время как тысячи товаров в вашем каталоге могут иметь автоматические корректировки. Следует учитывать, что будущее имеет некоторую степень неопределенности. Однако, при равных условиях, смешанный выбор квантилей должен оптимизировать результаты в общем наборе временных рядов. Здесь, в AWS, мы рекомендуем использовать два цикла прогнозирования, чтобы оценить степень улучшения, достигнутую с помощью выбора смешанных квантилей.

Руководство по решению для ускорения внедрения

Если вы хотите воссоздать решение выбора квантилей, описанное в этом сообщении, и адаптировать его под свой набор данных, мы предоставляем синтетический набор данных и файл потока данных SageMaker Data Wrangler, чтобы помочь вам начать на GitHub. Весь практический опыт займет меньше часа вашего времени.

Мы предоставляем это сообщение и руководство, чтобы помочь ускорить ваше время выхода на рынок. Основной инструмент для рекомендации конкретных квантилей является SageMaker Data Wrangler, специальная услуга AWS, предназначенная для сокращения времени, затрачиваемого на подготовку данных для случаев использования машинного обучения. SageMaker Data Wrangler предоставляет визуальный интерфейс для проектирования преобразований данных, анализа данных и создания признаков.

Если вы новичок в SageMaker Data Wrangler, обратитесь к Начало работы с Data Wrangler, чтобы понять, как запустить сервис через Amazon SageMaker Studio. Кроме того, у нас есть более 150 постов в блоге, которые помогут вам открыть разнообразные примеры преобразования данных, предоставленные этим сервисом.

Выводы

В этой статье мы обсудили, как квантильная регрессия обеспечивает возможность принятия нескольких бизнес-решений при прогнозировании временных рядов. Мы также обсудили неравномерные штрафы за пере- или недопоставку, при этом штраф за недопоставку часто в несколько раз превосходит штраф за перепоставку, не говоря уже о том, что недопоставка может вызвать потерю благосклонности клиентов.

В статье рассмотрено, как организации могут оценивать несколько квантильных точек прогноза с учетом затрат на пере- и недопоставку каждого товара, чтобы автоматически выбирать квантиль, который наиболее вероятно обеспечит наибольшую прибыль в будущих периодах. При необходимости можно отказаться от выбора, если бизнес-правила требуют использования фиксированного квантиля вместо динамического.

Процесс разработан для достижения бизнес- и финансовых целей, устраняя необходимость вручную оценивать каждый прогнозируемый товар. SageMaker Data Wrangler помогает осуществлять этот процесс на постоянной основе, так как выбор квантиля должен быть динамическим при изменении реальных данных.

Стремительно кончая курсанты рассказывают, что выбор квантиля — это не событие однократное. Процесс следует оценивать на каждом цикле прогнозирования, чтобы учесть изменения, включая повышение стоимости товаров, инфляцию, сезонные корректировки, введение новых продуктов, изменение потребительских запросов и т. д. Предлагаемый процесс оптимизации позиционируется после формирования модели временных рядов, которое называется этапом обучения модели. Выбор квантилей происходит и используется на этапе генерации будущего прогноза, иногда называемом этапом вывода.

Если у вас есть вопросы по этому сообщению или если вам нужна более детальная информация о ваших уникальных организационных потребностях, пожалуйста, обращайтесь к вашей команде аккаунтов AWS, вашему архитектору-разработчику AWS или откройте новый запрос в нашем центре поддержки.

Ссылки

• DeYong, G. D. (2020). The price-setting newsvendor: review and extensions. International Journal of Production Research, 58(6), 1776–1804.
• Liu, C., Letchford, A. N., & Svetunkov, I. (2022). Newsvendor problems: An integrated method for estimation and optimisation. European Journal of Operational Research, 300(2), 590–601.
• Punia, S., Singh, S. P., & Madaan, J. K. (2020). From predictive to prescriptive analytics: A data-driven multi-item newsvendor model. Decision Support Systems, 136.
• Trapero, J. R., Cardós, M., & Kourentzes, N. (2019). Quantile forecast optimal combination to enhance safety stock estimation. International Journal of Forecasting, 35(1), 239–250.
• Whitin, T. M. (1955). Inventory control and price theory. Management Sci. 2 61–68.