Между изощренными и простыми решениями, а также о роли программного обеспечения. Перевод материалов блога Эли Шрагенхайма

Давно не подкитывал мне работёнки по переводу Эли Шрагенхайм. Предыдущая публикация была аж в апреле! Но наконец-то Эли опубликовал свежую публикацию.

В этот раз она посвящена сравнению сложных/изощренных решений и простых решений. Что меня радует – примеры он приводит из области управления запасами. Как часто бывает с его статьями, я извлек из неё пару-тройку доводов в переговорах.

Как обычно, картинка из поста автора и ссылка на оригинал.

Читайте, думайте, комментируйте.

Ваш Дмитрий Егоров

Передаю слово Эли Шрагенхайму:


Умным людям нравится использовать свои особые способности для поиска изощренных[i] решений для кажущихся сложными проблем. Программное обеспечение делает возможным даже более изощренные решения и обеспечивает лучший контроль.

Однако, немедленно возникает два сомнения. Первое: достаточно ли значимо влияние на фактические результаты, чтобы об этом беспокоиться? Другими словами: оправдывают ли результаты дополнительные усилия? Другое: не потерпит ли это решение неудачу, будучи воплощенным в реальность? Другими словами: каков риск получения низких результатов?

Простые решения фокусируются только на небольшом количестве переменных, используют значительно меньше данных, а внутренняя логика доступна для понимания всем вовлеченным в использование. Тем не менее, простые решения не являются оптимальными, что значит, что можно было бы достигнуть лучших результатов, по крайней мере в теории.

Вот основной конфликт:

До недавнего времени мы могли возражать, что простые решения имеют преимущество, ввиду трех общих проблем усложнения решений.

  1. Неточные данные могут легко исказить оптимальное решение,  поскольку большинство изощренных решений чувствительны к точности значений большого количества переменных.
  2. Люди, использующие решение, могут неправильно понять его логику и совершить серьезные ошибки, которые причинят вред ожидаемым превосходным результатам.
  3. Любая ошибочная исходная посылка, лежащая в основе оптимального решения не дает получить результаты.
  • Например, исходные посылки в отношении определенных переменных, вроде того, что продажи товара в разных точках стохастически независимы.
  • Когда решение основывается на использовании программного обеспечения, то ошибки в программном коде легко могут исказить результаты. Чем изощреннее алгоритм, тем выше вероятность ошибок в программном коде, которые сложно выявить.

Современное проникновение новых технологий может снова подтолкнуть к возврату к усложнению решений. Цифровизация потока материалов в цеху и на складах, включая RFID-метки сильно улучшила точность многих данных. Искусственный интеллект (ИИ) в паре с Большими Данными (Big Data) способен учитывать влияние множество переменных, а также учитывать зависимости и новые обнаруженные корреляции.

Каковы границы применения изощренных автоматизированных решений?

Существует два разных типа причин потенциальной неудачи:

  1. Ошибочные результаты из-за проблем с изощренным алгоритмом:
    • Отсутствие информации по моментам, которые оказывают непосредственное воздействие.
      • Например, изменения в нормативных документах, новый конкурент и т.д.
        • Другими словами, информация, которая естественно известна людям, но не включена в цифровые базы данных.
    • Ошибочные исходные посылки особенно это касается моделирования реальности и ошибок программного кода.  Они включают оценку поведения неопределенности и релевантности данных прошлых периодов существующему состоянию дел.
  2. Непонимания полного объема целей топ-менеджмента. У людей есть эмоции, желания и ценности. Могут сущестовать результаты, которые соответствуют формальной целевой функции, но нарушают определенные ценности, вроде сохранения честности и порядочности по отношению к клиентами и поставщикам. Такие ценности крайне сложно запрограммировать.

Человеческий разум работает иначе, чем компьютер, что приводит к несогласованности в оценке того, что считать хорошим решением.

Человеческий разум для предсказания будущего использует логику причинно-следственных связей, добавляя неформализованную и интуитивную информацию. С одной стороны, интуиция может ошибаться. С другой стороны, игнорирование ясных причинно-следственных связей и по настоящему релевантной информации может привести к плохим результатам.

Искусственный интеллект использует статистические инструменты, чтобы найти корреляции между различными переменными. Но он воздерживается от предположения о наличии причинно-следственных связей и поэтому, его предсказания часто ограничены имеющимися данными, и он терпин неудачу в рассмотрении недавних изменений, которые не происходили в прошлом. Единственный способ предсказать последствия этих новых изменений – это использование анализа причинно-следственных связей.

Люди имеют ограниченные способности к выполнению больших объемов вычислений. Также мощность человеческого разума ограничены в количестве различных задач, с которыми он может иметь дело на каком-либо отрезке времени.

Еще один аспект, который нужно учитывать, – это влияние неопределенности. Общепринятый подход к неопределенности состоит в том, что она значительно увеличивает сложность в области нашей способности предсказывать будущее, основываясь на том, что было известно в прошлом.

Неопределенность значительно ограничивает нашу способность предсказывать что-либо, что лежит в пределах «шума». Шум может быть описан как «общая и ожидаемая неопределенность», что означает комбинированный разброс всех соответствующих переменных в области подавляющего большинства случаев (скажем 90% результатов), игнорирующий редкие случаи. Таким образом, любой результат, который попадает в пределы «шума» не должен рассматриваться как неожиданный[i] До тех пор, пока «шум» остается на том же самом уровне, от представляет собой предел способности предсказывать будущее. Но это уже больше, чем ничего, потому что возможно обозначить границы шума, а фокус анализа и принятия решений должен быть на прогнозах, которые выходят за эти границы.

Голдратт говорил: «Не нужно заниматься оптимизацией в пределах шума!»

Качественный статистический анализ всех известных переменных, влияющих на шум, способен уменьшить уровень шума. Голдратт считал, что это часто является дурным использованием времени менеджмента. Во-первых, чаще всего сокращение шума сравнительно мало, тогда как требует усилий по поиску дополнительных данных, которые необходимы. Во-вторых, требуется время, чтобы доказать, что сокращение шума реальна. И третье, самое важное, существуют другие изменения, которые могут улучшить эффективность, выходящую далеко за пределы шума.

Статистический анализ, рассматривающий прошлые данные, может потенциально потерпеть неудачу, потому что эти данные более не релевантны в силу значительных изменений, повлиявших на экономику. Можно задаться вопросом, релевантны ли прогнозы, которые основываются на данных до начала пандемии Covid-19, будущему состоянию после ее окончания.

Понимание того, что подлинное улучшение эффективности должно намного превосходить уровень шума, сильно упрощает естественную сложность и может привести к действенным простым решениям, которые способны хорошо адаптироваться к значительным изменениям, которые находятся за пределами естественного уровня шума.

Демонстрация общей/обычной проблемы:

Управление запасами – это критически важный элемент для цепочек поставок. Прогнозирование спроса на каждый конкретный товар в каждой точке хранения – очень сложная задача. Интуиции здесь недостаточно. Существующая практика состоит в том, чтобы определить период времени, например: две недели, для запаса товара X в точке хранения Y, где количество «двухнедельного запаса» определяется с помощью либо прогноза, либо средних продаж в день.

Сейчас, с появлением более изощренного ИИ предполагается, что возможно более точно предсказывать спрос и привести его в соответствие со сроком поставки, включая флуктуации в поставке. Тем не менее, прогнозы никогда не состоят из одной точной цифры, это верно относительно и времени поставки. Любой прогноз – это вероятностное предсказание, его значения могут меняться. Более точный прогноз означает, что разброс вероятных результатов уже, чем у менее точного прогноза. Изощренное решение может попытаться оценить ущерб от отсутствия товара в сравнении с излишками, однако часть необходимой информации для такой оценки может быть недоступной. Например, значительный вред от нехватки товара состоит в отрицательных отзывах клиентов. Можно отследить фактические потери продаж из-за нехватки товаров, но очень трудно оценить будущее поведение разочарованных клиентов.

Более простое решение TOC в управлении запасами состоит в том, чтобы пополнять запасы как можно быстрее. Это понимание означает сокращение горизонта прогноза.  Фактически, ТОС исходит из предположения, поскольку первоначальный прогноз достаточно хороший и изменений спроса на этом горизонте не произойдет, то достаточно будет пополнять столько, сколько фактически было продано.

Еще одна ключевая идея – это включать в целевой уровень запаса не только запасы на руках, но и товары, которые находятся «в пути». Это более практичное определение, поскольку представляет собой существующие обязательства по поддержанию запасов и упрощает поддержание соответствующего целевого уровня запасов.

Определение целевого уровня запасов, который включает в себя как запасы «на руках», так и товары «в пути» делает возможным подавать сигналы, отражающие текущее состояние запасов в точке хранения. Обычно, мы ожидаем что-то между от 1/3 до 2/3 от целевого уровня запаса будет в наличии на руках, что представляет собой «почти правильный» уровень запасов, учитывая, что остальное уже где-то едет. Когда «на руках» остается менее трети, существует риск, что запаса не хватит, требуются действия по ускорению поставки. Это обязанность менеджера-человека: оценить ситуацию и найти наилучший способ отреагировать на нее. Такие случаи запускают оценку того, не является ли целевой уровень слишком низким и не следует ли его увеличить. Вообще говоря, большую часть времени целевой уровень должен быть стабильным. Частые повторные прогнозы обычно предлагают небольшие изменения.

Вопрос: поскольку целевой уровень запасов включает в себя защиту от колебаний, какой смысл делать частные изменения в 1%-10% от целевого уровня, поскольку это всего лишь отражение обычного шума, а не изменения в спросе (скорее всего)?

Изощренное решение, не учитывающие понимание ключевых вопросов, попытается оценить две неопределенные ситуации: каков может быть спрос в краткосрочной перспективе, и успеет ли запас «на руках» и запасы «в пути» поступить в срок. Он также оценит попадут ли ожидаемые результаты в требуемый диапазон уровня сервиса.

Показатель уровня сервиса – искусственная и вводящая в заблуждение концепция. Попытайтесь рассказать потребителя, что из заказ попал в те 3%-5% случаев, которые не покрывает существующий уровень сервиса. Потребители могут понять, что редкие случаи случаются, но они хотели бы услышать рассказ, который бы оправдал неудачу. На практике также практически невозможно достигнуть целевого уровня сервиса, скажем в 95%, потому что даже самые изощренный статистический анализ не может описать вероятностную функцию. Предположение, что разброс комбинированной эффективности будет происходить в соответствии с нормальным распределением, удобно, но ошибочное.

Принимая как данность, существование практической потребности в том, что люди должны понимать логику решения и быть способными вносить важную информацию, которой нет ни в одной базе данных, одновременно признавая превосходство компьютеров в выполнении качественных алгоритмов и большим объемом вычислений, мы приходим к следующему направлению решения: оно должно включать в себя два элемента: простую, мощную и согласованную логику, поддержанную достаточно изощренным программным обеспечением, в паре с взаимодействия с человеком-управленцем. Это определенно не простая миссия, но амбициозная, но выполнимая задача.


[i] В тексте «sophisticated» – прим. переводчика

[i] В тексте «surprise» – прим. переводчика



Добавить комментарий

Этот сайт использует Akismet для борьбы со спамом. Узнайте, как обрабатываются ваши данные комментариев.