Почему специалисты по планированию спроса не применяют машинное обучение?

Ольга — прогнозист с опытом прогнозирования продаж новых продуктов для крупных розничных клиентов. В настоящее время она работает в HAVI старшим менеджером по прогнозированию в Северной Америке. Область ее специализации — изучение того, что делает рекламные акции успешными: товары, средства массовой информации, цифровая реклама, ценовая тактика и потребительские предпочтения. Она имеет степень бакалавра экономики Национального технического университета Украины и степень магистра финансовой экономики Карлтонского университета в Оттаве, Канада.

Мы все знаем, что машинное обучение (МО) и искусственный интеллект волнуют сообщество аналитиков и специалистов по обработке данных. Каждый уважающий себя отдел прогнозирования разрабатывает алгоритмы машинного обучения, чтобы предсказать, кто кликнет, купит, солжет или умрет (если позаимствовать название основополагающей работы Эрика Сигела на эту тему). Все аналитические конференции и публикации наполнены модными словами об искусственном интеллекте.

Но когда дело доходит до реальной реализации, большинство прогнозистов спроса относятся к внедрению машинного обучения с некоторой осторожностью. Почему это? Разве машинное обучение не сводится к прогнозированию, которое в буквальном смысле является работой прогнозистов? Давайте рассмотрим возможности и подводные камни применения машинного обучения в прогнозировании.

Существует небольшая разница в том, как прогнозирование и машинное обучение определяют «прогнозирование». Когда синоптики говорят «предсказание», мы имеем в виду предсказание будущего. Традиционные методы прогнозирования включают моделирование временных рядов, алгебраические уравнения и качественные суждения. В результате традиционное прогнозирование в некоторой степени выполняется вручную, требует много времени и может зависеть от человеческого суждения. Однако результаты легко интерпретируются, и это гибкий процесс; Прогнозист знает, откуда берутся цифры, и при необходимости может легко внести исправления. Кроме того, традиционное прогнозирование может осуществляться с использованием ограниченных данных.

«Прогнозирование» машинного обучения или статистической модели относится к предсказанию прошлого. Это звучит немного нелогично, но идея состоит в том, чтобы сравнить «прогноз» модели с реальностью и измерить разницу или ошибку. Эти ошибки используются для точной настройки модели для прогнозирования будущего. Следовательно, прогнозы модели в значительной степени зависят от прошлых результатов, и их практически невозможно точно настроить. Кроме того, интерпретируемость моделей очень ограничена. Еще один фактор, который следует учитывать, заключается в том, что ML по своей конструкции требует большого количества данных. С другой стороны, машинное обучение является быстрым и автоматизированным, а также объективным и свободным от человеческого суждения.

Алгоритмы машинного обучения и искусственного интеллекта были созданы для цифрового мира с практически неограниченными данными о кликах клиентов, покупках и данных просмотра. Как мы знаем, эти алгоритмы отлично справляются со своей задачей, побуждая нас совершать повторные покупки, покупать бесплатные товары и подписываться на программы лояльности. Невозвратные издержки ошибки прогнозирования (упущенные продажи) относительно невелики. Кроме того, каждая ошибка — это возможность для алгоритма машинного обучения улучшить себя.

Однако реальный мировой рынок сильно отличается от цифрового рынка. Данные здесь могут быть ограничены продажами через кассовые аппараты, данными программы лояльности или данными об отправке. Невозвратные издержки ошибки прогнозирования могут быть весьма высокими, поскольку рестораны и розничные торговцы осуществляют оптовые закупки. Кроме того, прогнозы не могут улучшиться сами по себе, поскольку не существует автоматической петли обратной связи. По этим причинам многие традиционные ритейлеры и их поставщики по-прежнему полагаются на традиционные методы прогнозирования. Это не означает, что машинное обучение не может предложить возможности для улучшения прогнозирования, но есть несколько соображений, которые необходимо учитывать, прежде чем приступать к машинному обучению.

Любой алгоритм машинного обучения требует большого количества данных. Под большим количеством данных я не имею в виду даты или переменные. Модели машинного обучения работают на определенных уровнях наблюдения — это может быть клиент, магазин и т. д. Чтобы машинное обучение работало, вам понадобится как минимум тысяча таких (если не тысячи). Если выборка ограничена всего 10 магазинами, вероятно, лучше воздержаться от машинного обучения и вместо этого использовать методы временных рядов. Еще одним фактором, который следует учитывать, является стоимость хранения данных. Доступен ли он или его нужно вводить вручную? Нужно ли обрабатывать данные? Будет ли это разовая попытка или постоянный процесс, требующий человеческих и компьютерных ресурсов? Какова будет стоимость хранения данных на протяжении многих лет?