fbpx

Круглый стол по автоматизации планирования

Data Scientist сегодня готовит данные для завтрашнего дня

На Online–конференции Planning & Customer collaboration прошел Круглый стол по автоматизации планирования. Участники обсудили вопросы:

1) Зачем нужна единая среда прогнозирования, планирования и принятия решений?
2) Как быстро реагировать на вызовы рынка?
3) В каких случаях стоит использовать машинное обучение и нейросети, а в каких достаточно традиционных систем прогнозирования
4) Порядок подготовки к внедрению проекта machine learning и необходимые слагаемые успешности
5) Почему Data Science проекты тяжело внедрять в бизнес с большой долей «операционки"?
6) Окупаются ли инвестиции в Data Science в задачах, где много данных и понятна метрика качества, например, прогноз спроса, нагрузка на РЦ т.д.?

 Круглый стол по автоматизации

Мы собрали самые интересные высказывания участников Круглого стола:

 

Станислав Фридкин, Estée Lauder Companies, модератор Круглого стола: Как быстро реагировать на вызовы рынка?

Егор Алешин, торговая сеть «Магнит»:

Новая скорость принятия решений должна стать культурой компании. поэтому прежде всего, нужно пересматривать операционные процессы. Мы в «Магните» сейчас занимаемся именно этим.

Алексей Батурин, Novo BI:

Чтобы быстро принимать решения, нужно быстро перепланировать, оценивать риски и возможности, анализировать информацию, определять ее значимость для компании. Чтобы делать это быстро, нужно определять, отрабатывать стандарты и увеличивать скорость по цепи поставок.

Станислав Фридкин, Estée Lauder Companies, модератор Круглого стола: Реагировать на вызовы можно быстро, а можно аккуратно. Действия мы можем выбирать, а вот последствия – нет. Чем здесь полезна единая цифровая среда?

Алексей Батурин, Novo BI:

Единая цифровая среда может помочь в принятии решений. Во-первых, сбор информации осуществляется от всех участников с мест. Во-вторых, машина оценивает качество данных и автоматизирует процессы. Все, что не может сделать человек, может машина: справиться с подготовкой больших объемов данных, рассчитать прогноз, показать риски, перепланировать. Также единая среда помогает повысить скорость обработки информации и принятия решений, повысить точность прогнозов и планов.

Егор Алешин, торговая сеть «Магнит»:

Единая система прогнозирования – это критический фактор для компании, поскольку речь о прогнозе и для коммерции, и для логистики, и для финансов, и для партнеров. Если нет единой системы, где все видят прогнозы, то как-то оценивать KPI и выполнять планы очень трудно.

Станислав Фридкин, Estée Lauder Companies, модератор Круглого стола: Нужно ли использовать методы машинного обучения (ML) в цепях поставок?

Андрей Андреев, ГК «Балтика»:

В машинное обучение стоит идти, если у вас данные детализированы до товарной строки, до товарной накладной. Если у вас ситуация слайдов «в целом, по компании», то идти в ML не стоит.

Егор Алешин, торговая сеть «Магнит»:

У большинства ритейлеров машинное обучение бывает в виде внутренней разработки, на уровне пилотных проектов. У вендоров отдельным продуктом покупается редко, поскольку и там это все-таки пока комбинация старых добрых методов статистики и элементов ML. Больших проектов, которые полностью работают с данными на машинном обучении, пока нет. Причина, прежде всего, в том, что ML требует инвестиций на уровне полноценного НИОКР, а научные исследования не входят в основные интересы ритейлеров.

Станислав Фридкин, Estée Lauder Companies, модератор Круглого стола: В какой момент компания должна решиться и сделать шаг в ML?

Егор Алешин, торговая сеть «Магнит»:

В моем понимании, надо идти путем мини-пилотов. Попробовать разные решения. Где результат лучше, туда инвестировать.

Евгений Смирнов, Navicon:

Нужно найти бизнес, который поставит задачу. Потому что просто брать технологию и с ее помощью пытаться построить прогноз – это и называется НИОКР. Еще крайне важно качество данных. На некоторой информации никакой ML не построит прогноз. Если у вас сейчас нет подходящих данных, задумываться о машинном обучении можно, но стоит начать с того, чтобы собирать и копить данные. И через два года вы сможете войти в проект.

Станислав Фридкин, Estée Lauder Companies, модератор Круглого стола: Когда данные собраны, как начать ML-проект?

Андрей Андреев, ГК «Балтика»:

Надо посмотреть на данные. Если они все-таки собраны верхнеуровнево, то это дорога в никуда. Следующий шаг – понять, есть ли у вас внутренняя экспертиза. Возможно, стоит привлечь консультантов. Третий шаг – посмотреть, какие результаты дают проекты в пилотных версиях. И только после этого принимать решение: да, идем, хотим, добавим 10 факторов и т.д..

Станислав Фридкин, Estée Lauder Companies, модератор Круглого стола: То есть машинное обучение не панацея. И возможен вариант, что мы просто наберем дополнительных людей, которые помогут достичь поставленных целей?

Андрей Андреев, ГК «Балтика»:

Да, возможны два сценария. Первый: набираем людей, которые будут пользоваться традиционными моделями. Второй: приобретем дорогую систему и дорогих специалистов, но на недостаточных данных получаем примитивный результат.

Станислав Фридкин, Estée Lauder Companies, модератор Круглого стола: Что делать в ситуации, когда данных недостаточно, экспертизы нет, каким консультантам доверять, не знаем?

Андрей Андреев, ГК «Балтика»:

Пока играем в русскую рулетку.

Егор Алешин, торговая сеть «Магнит»:

Нужно идти от бизнес-задачи. Например, есть задача «точный прогноз». Решить ее можно машинным обучением, интегратором, консалтингом. Если ритейлер разместит заявку на тендер, я уверен, он получит миллион предложений. Из них можно выбрать оптимальные нашим условиям. И уже с каждым углубиться и понять, какие есть риски, какие результаты, какие ограничения. С наиболее понятным претендентом попробовать мини-пилот. Но как уже не раз сказали, вопрос с данными первичен. Если нет нужных данных, то и пилотировать будет нечего.

Станислав Фридкин, Estée Lauder Companies, модератор Круглого стола: Насколько тяжело внедрять ML-проекты там, где много операций выполняется людьми?

Алексей Чернобровов, «Нетология» и Coursera:

Мне кажется, что для начала стоит определиться с тем, что такое машинное обучение. Предложу простое определение. ML – это гибрид двух «математик»: методов оптимизации и теории вероятности. ML не может быть хуже статистических методов, потому что он больше них.

По поводу консультантов: если у вас внутри нет экспертизы, нет культуры работы с данными, то как вы прособеседуете потенциальных специалистов? Конечно, нужно идти к консультантам или хантить кадры у конкурентов. Но вообще, Россия лидирует в мире по наличию Data Science-специалистов. Так что у нас есть из кого выбрать.

Теперь о том, как применить ML-проект в «полевых условиях». Действительно, автоматизация в России плохо окупается из-за дешевизны рабочей силы. Точно так же: если вы хотите заменить Data Science пару-тройку человек с зарплатой 30 тысяч, то проще и дешевле найти еще нескольких людей на такую зарплату. Пока у нас будут такие зарплаты для персонала, технологии не подешевеют. Но как только рабочая сила у нас подорожает в два-три раза, на склады придет автоматизация.

Станислав Фридкин, Estée Lauder Companies, модератор Круглого стола: Насколько окупаются вложения компаний в Data Science?

Евгений Смирнов, Navicon:

Без бизнес-задачи все превращается в занятия наукой. Инвестиции в Data Science приносят коммерческий успех, поскольку все кейсы просчитываются еще на старте.

Станислав Фридкин, Estée Lauder Companies, модератор Круглого стола: Действительно ли в сложившихся обстоятельствах имеет смысл говорить не о проектах, а о выстраивании процессов? Поскольку ведь сам прогноз мы не продаем.

Андрей Андреев, ГК «Балтика»:

Без процесса сбор данных в принципе не организовать. Процесс должен быть выстроен, и под него должна быть заведена понятная автоматизация.

Алексей Батурин, Novo BI:

Автоматизацию нужно начинать с описания цели, процессов и согласований. Мы работаем с компаниями сначала с использованием статистических моделей, извлекаем пользу из имеющихся данных. Затем, когда у компании появляются новые данные, переходим на следующий уровень автоматизации. Смещаем горизонты, детализацию, углубляемся в цепочку поставок. Поэтому проекты у нас идут с компаниями по 3-5 лет, ежегодно внедряется что-то новое.

Егор Алешин, торговая сеть «Магнит»:

Не всегда выгоды от ML выражаются непосредственно в бизнес-результате. Иногда это приятный хайп для акционеров, влияющий на цену акций. Я считаю, что нужно просматривать процесс от начала до конца. Какой результат хотим получить. Где, куда, какие приложить инструменты. И только потом действовать.

Евгений Смирнов, Navicon:

Часто мы вместе с клиентом готовим данные, но естественно, компаниям важно выстроить эту работу самостоятельно. Потому что без данных все остальное не работает. Дата сайентисты должны быть визионерами: искать данные, которые понадобятся завтра, уметь их находить сегодня, открывать новые источники.

Алексей Чернобровов, «Нетология» и Coursera:

Одно без другого не работает: данные без процессов и процессы без данных. Соглашусь насчет визионерства и добавлю, что бизнесу надо быть готовым инвестировать в ML.

Мероприятие состоялось в рамках Первого Online-Саммита руководителей логистики и цепей поставок 

Оставайтесь на связи

+7 (495) 215 10 82
Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

 

Исследования осуществляются Novo BI при грантовой поддержке Фонда «Сколково» ООО "Ново Биай" © 121205, Москва, территория инновационного центра «Сколково», Большой бульвар, 42, стр. 1, этаж 3, офис 1131

 

Russian (RU)    English (UK)