Jak se dnes vyrábějí křišťálové koule

Skladový paradox se obchodníků a distributorů týká od nepaměti. V jakékoliv skladovací prostoře – klidně i ve vaší lednici – se nevyhnutelně hromadí věci, o které nemá nikdo zájem. U skladů je to logické: to, o co mají zákazníci zájem, mizí tak rychle, že sotva stačíte zásoby doplňovat. U produktů, o které nikdo zájem nejeví, je to naopak. Zůstávají ležet a vy je musíte vyprodávat, a tím si bolestivě snižovat marži, nebo je dokonce likvidovat. Kdybychom měli křišťálovou kouli a mohli objednat přesně tolik, kolik si zákazníci přejí, bylo by to skvělé. Petr Tulach, CTO Logia, popisuje, jak se takové koule dnes vyrábějí.

Naivní model, který funguje lépe, než by měl

Předpověď poptávky je statistika. Vezmeme si na pomoc matematiku a pokusíme se vytvořit model chování prodejů každého produktu. To ostatně v mnoha případech dělají nákupčí nebo manažeři zásob ve svých hlavách. Nejjednodušším modelem je předpokládat, že se zítra prodá stejně jako dnes. Matematici to označují za naivní model, ale v mnoha případech se ukazuje, že funguje poměrně slušně. Pokud tedy není dnes sobota a zítra nemáme zavřeno.

Tyhle úvahy proběhnou v mozku zkušeného plánovače takřka okamžitě. Je to také důvod, proč zkušení kolegové bezpečně poznají, že algoritmus udělal chybu. Co si podle Tulacha často nedokážou uvědomit, je skutečnost, že chyby dělají také – byť z úplně jiných důvodů než počítače.

Model vycházející z minulosti se dá vylepšovat. Všimneme si trendu, kdy jsou prodeje každý den o malý počet kusů vyšší, nebo sezonnosti, kdy se v létě prodává výrazně víc zmrzliny a prodeje v týdnu před výplatou jsou vyšší. Vědci už za nás odpracovali hodně práce, další udělali vývojáři softwarů, takže není moc důvodů tyto předpovědní modely nepoužívat. Hlavní výhodou je, že veškerou rutinní práci s výpočty udělají samy a velmi rychle. Druhou výhodou je, že pokud se mýlí, nebojí se to přiznat: samy ukážou, jak moc se odchylují od reality, i jestli svou předpověď spíš nadhodnocují, nebo podhodnocují.

Proč je Forecast Accuracy zavádějící

Právě z tohoto důvodu je podle Tulacha málo hodnotné počítat souhrnné číslo zvané Forecast Accuracy. Tradiční metody pro počítání chyb jsou dobré k tomu, aby nám u jednoho produktu ukázaly, jak dobře se nám ho daří předpovídat. Počítání průměru z těchto chyb nás ale snadno zavede na scestí, protože dopad chyby se značně liší podle vlastností předpovídaného produktu. Trvanlivou položku s pěknou marží je lepší mít ve skladu v trochu větším množství. Pokud budete neustále objednávat moc pečiva, můžete maximálně vyrábět strouhanku.

Předpovědí poptávky navíc práce nekončí. Je to jen jeden ze vstupů do rovnice, která má propočítat, kolik dnes objednám a jestli vůbec. Vstupují do ní další parametry: minimální objednací balení, minimální velikost objednávky, objednací dny u dodavatele. Snadno se stane, že bychom chtěli objednat devět kusů, ale kartony jsou po dvanácti a dodavatel nezaveze méně než paletu po 120 kusech. Původní desetiprocentní chyba předpovědi najednou není tak podstatná.

Kde pomůže strojové učení

Tady může pomoci zapojení metod strojového učení, které se umí dobře naučit reagovat na velké množství vstupních informací a odhalit jejich vliv na poptávku. U standardních metod používáme pouze informaci o časové řadě prodejů. Nyní můžeme dodat další: dny v týdnu, informace o promočních akcích, změnách ceny, speciální vlastnosti dne jako výplatní termín, nebo den, kdy konkurent typicky vydává svůj leták. Metody strojového učení si samy udělají názor na to, které parametry mají smysl a které ne.

Tento přístup je ale mnohem náročnější na množství a kvalitu dat. Při nedostatku dat dojde snadno k přeučení: model se historii naučí příliš dobře a není schopen reagovat na nové podněty. Pokud ale vybereme správný model a dodáme dost dat, je naše křišťálová koule rázem mnohem lepší.

Černé labutě křišťálová koule neuvidí

Je možné dosáhnout stoprocentní přesnosti předpovědi? Podle Tulacha ne – budoucnost není vyčíslitelná. Co křišťálová koule neumí a pravděpodobně nikdy umět nebude, je předpovídat černé labutě, tedy události, které v minulosti nenastaly. Pro příklad není třeba chodit daleko: stačí si vzpomenout, jak jsme nakupovali základní potraviny a dezinfekce v okamžiku prvních lockdownů.

Tady se vyplatí mít možnost kouli korigovat. My lidé si dovedeme představit, že informace z médií by mohly vytvořit nějaký druh paniky, a jsme schopni vymyslet scénář a vsadit si na něj. Zatímco všechny modely předpovědi poptávky budou na černou labuť pouze reagovat, ty nejlepší si změny všimnou poměrně rychle.

Dělba práce mezi člověkem a algoritmem

Práci si tedy můžeme rozdělit. Nákupčí se bude snažit vymyslet řešení v situaci, kdy se křišťálové kouli předpověď nedaří – a naše koule je čestná, vždycky se přizná. Na oplátku vyřeší předpověď pro 80 až 90 procent produktů. Tím práce nekončí, ale začíná: je nutné rozhodnout, kolik zboží podle předpovědi objednat. Pokud budeme objednávat často, budeme mít nižší zásoby, ale kolegové na příjmu si možná budou stěžovat na neefektivní zaskladňování po kusech. Dodavatelé by také raději větší ucelené objednávky a možná dají i slevu.

Pro každou skladovou položku se tak objeví skupina vzájemně si protiřečících požadavků. I tady pomůže algoritmus, který najde optimální množství k objednání. Dnes je dokonce možné nastavit pravidla tak, aby sledovala alespoň přibližně vaši ekonomickou realitu – pokud dokážete zadat odhady nákladů na skladování, cenu peněz, náklady na jednu objednávku a další jednotkové náklady. I přesto je dobré, pokud vám dodavatel informačního systému umožní výsledné návrhy modifikovat, ideálně tak, aby se nákupčí vyjadřoval k objednávkám, kde je nějaká míra nejistoty.

Stejně jako u předpovědi je podle Tulacha vhodné spolupracovat: rozdělit si práci, rutinu nechat strojům a uvolnit myšlenkovou kapacitu lidem, aby dělali to, co umí nejlépe. Budovali vztah se zákazníkem a odháněli ty malé logistické černé labutě, které přes všechen IT pokrok 21. století mají stále chuť přistávat před našimi sklady.

Kde o tom psali

O křišťálových koulích a černých labutích, Petr Tulach, IT Systems 12/2024 (tištěné vydání)