С доктором Серхио Кабальеро, MIT CTL
Машинное обучение (ML) вдохнуло новую жизнь в прогнозирование спроса, позволив компаниям с поразительной точностью прогнозировать модели покупок клиентов. Но не скомпрометированы ли возможности ML беспрецедентными моделями спроса Covid-19?
Ответ — да или нет, в зависимости от типа предприятия и используемой бизнес-модели. Более того, разница между компаниями, которые продолжают получать конкурентное преимущество за счет прогнозирования спроса на основе машинного обучения, и теми, кто изо всех сил пытается использовать эту технологию, может стать больше в постпандемическом будущем.
Заполнение сложных пробелов в прогнозировании с помощью данных
В приложениях для прогнозирования спроса алгоритмы машинного обучения обычно собирают информацию о прошлом покупательском поведении из огромных объемов исторической информации. Затем они используют эти знания для уточнения прогнозов будущего спроса.
Тем не менее, пандемия Covid-19 является уникальным — многие утверждают, что это черный лебедь — событием с небольшим историческим приоритетом, предлагающим алгоритмам машинного обучения скудный материал для работы. Эта нехватка информации может ослабить или даже свести на нет возможности машинного обучения улучшать прогнозы на предприятиях, которые не умеют использовать эту технологию.
Ведущие сторонники прогнозирования спроса на основе машинного обучения понимают, что противоядием от этого недомогания являются данные. В крайне изменчивой и неопределенной по своей природе среде, такой как вызванная пандемией, алгоритмы машинного обучения должны подпитываться текущими потоками данных. Таким образом, модели отражают природу рынков, которые могут и действительно вращаются в мгновение ока.
Эти лидеры используют широкий спектр источников данных в режиме реального времени, начиная от приложений, встроенных в цепочки поставок, и заканчивая внешними поставщиками информации о рынке. Кроме того, источники достаточно детализированы, чтобы дать детальное представление о рыночных условиях на уровне земли. Например, каковы региональные последствия Covid-19, такие как влияние различной государственной политики на повторное открытие предприятий или национальных границ? Как пандемия меняет спрос на определенные товары, такие как модная одежда или научные книги?
Кроме того, компании, разработавшие мощные возможности прогнозирования спроса с расширенными возможностями машинного обучения, часто повышают конкурентоспособность своих всевидящих моделей, интегрируя их с цифровыми платформами цепочки поставок.
Сила опыта в машинном обучении
Последняя стратегия дает представление о типах предприятий, входящих в эту элитную группу поборников машинного обучения: компании, которые преодолели много миль в своем путешествии в области машинного обучения.
Предприятия, находящиеся далеко на кривой зрелости машинного обучения, как правило, продолжают извлекать максимальную выгоду из своих алгоритмов даже во время бушующей пандемии. Они построили и продолжают создавать инфраструктуру данных, описанную выше, и адаптировали свои модели к неопределенностям Covid-19.
В этих организациях разработчики моделей тесно сотрудничают с пользователями, такими как планировщики спроса. Это критически важно, особенно во время крайней неопределенности, потому что эти отношения сотрудничества обеспечивают циклы обратной связи, которые обновляют модели. Обновление моделей с использованием последних сведений о рынке также помогает гарантировать, что алгоритмы машинного обучения учитываются на правильных параметрах.
Важно отметить, что лидеры машинного обучения не только приобрели опыт, необходимый для создания и запуска моделей, адаптированных к текущим рыночным условиям; они научились интерпретировать результаты этих моделей. Преобразование результатов в осмысленные тактики и стратегии цепочки поставок может быть сложной задачей. Например, даже самая сложная модель прогнозирования спроса, основанная на машинном обучении, может давать аномалии, особенно когда спрос необычайно изменчив.
Также важно понимать, что среда принятия решений, в которой работают модели машинного обучения, различается по своей природе между двумя крайностями: открытой и закрытой. Открытые типы связаны с непредсказуемыми изменениями, тогда как предопределенные правила четко определяют закрытые среды. Эти характеристики определяют процесс принятия решений и, следовательно, способ использования и развития моделей машинного обучения. Другие факторы, особенно возможности совместной работы человека и машины, также влияют на роль машинного обучения в прогнозировании спроса.
Высококомпетентные команды продолжают развиваться по кривой обучения. Обычно они наблюдают и анализируют неожиданные результаты в поисках проницательных возможностей для улучшения обучения модели. Менее способные команды с большей вероятностью будут заниматься тушением пожаров, поскольку им сложно использовать эту технологию.
Короче говоря, глубокие технические и операционные знания в сочетании с любознательностью и интуицией позволяют руководителям максимизировать конкурентные преимущества благодаря прогнозированию спроса на основе машинного обучения.
Ориентирован на постпандемический рост
Конкурентные преимущества лидеров машинного обучения, вероятно, станут еще более заметными, когда кризис Covid-19 утихнет, потому что приобретенные ими навыки сделают их грозными конкурентами.
Это преимущество особенно бросается в глаза тем компаниям, которые руководствуются культурой инноваций и необходимостью превращать невзгоды в возможности. Их путеводной звездой во время пандемии является рост, а не выживание. Они знают, что применение ключевых уроков, извлеченных во время кризиса, к инновациям продуктов может открыть новые возможности для роста в постпандемическом будущем.
Доктор. Мария Хесус Саенс, директор по цифровой трансформации цепочки поставок Массачусетского технологического института, MIT CTL ([email protected])
Доктор. Серхио Алекс Кабальеро, научный сотрудник MIT CTL ([email protected])
Как выглядит человеческое лицо ИИ? Май/июнь 2020 г., выпуск журнала Supply Chain Management Review.
