Интервью c Гургеном Мелконяном, основателем и CEO Jume.
— Чаще всего, когда говорят об ML-прогнозировании, приводят примеры компаний FMCG, ритейла или e-com. Почему именно эти индустрии стали первыми использовать новые технологии?
Этому есть несколько причин. Международные корпорации FMCG всегда находились в авангарде технологий, они развивали культуру постоянной трансформации бизнеса, и это во многом было связано с высокой конкуренцией в отрасли — совершенствуйся или проиграешь. Они десятилетиями улучшали бизнес-процессы, внедряли передовые системы ERP, MDM, CRM, BI, систематизировали данные и формировали команды для реализации сложных проектов. Эти компании первыми начали пилотировать решения на базе ИИ. Наш опыт подтверждает, что именно от FMCG-компаний был наибольший отклик на рынке.
Сфера e-commerce — это другой случай. Эти компании изначально строились как технологичные. Для них прогнозирование спроса и трафика — критически важный процесс. Но стоит отметить, что e-com часто разрабатывали собственные IT-решения и имели сильные внутренние команды, что осложняло сотрудничество с внешними вендорами.
— Получается, ML-прогнозирование актуально в основном для этих индустрий?
Совсем нет. Ценность от внедрения ML-прогнозирования есть в каждой отрасли. За последние пять лет мы поработали с компаниями из совершенно разных секторов, настраивали модели для транспортных компаний, агропроизводства, ресторанных сетей и кофеен, производителей мебели, интернет-сервисов объявлений, поставщиков свежих ягод и овощей, и это далеко не конец списка. В каждом случае прогнозирование адаптировалось под потребности: прогнозы продаж, заказов, инцидентов, объема созревания овощей.
Иногда мы использовали несколько источников данных, а в некоторых проектах вся модель строилась на одном основном источнике и показывала высокую точность.
— Jume начинали свой путь с решений для прогнозирования. Как этот опыт в ML помог в создании платформы для планирования?
За эти годы мы протестировали практически все доступные алгоритмы ML для временных рядов, провели клиентские исследования на реальных данных более чем 30 крупных российских и международных компаний. Это позволило создать, на наш взгляд, наиболее универсальную платформу для планирования в России с инновационным «движком» для прогнозирования. В ее основе исключительно алгоритмы ML.
Мы разработали своего рода “цифрового планёра”, который берет на себя все рутинные операции и более 80% технических задач специалистов по прогнозированию: от сбора данных, очистки историй и построения прогнозов до сложного факторного анализа, расчетов каннибализации и прескриптивной аналитики для работы с исключениями.
При этом роль экспертов сохраняется: они управляют технологией и вносят оперативные корректировки, связанные с непредсказуемыми событиями. Это может быть запрос на ускорение продаж, устранение дефицита или особые договоренности с клиентами.
Универсальность нашего решения позволяет адаптировать его под любую компанию и модуль планирования — от прогнозирования спроса до распределения и управления цепями поставок. Благодаря преднастроенному “движку”, мы смогли значительно сократить сроки пилотирования до 1-2 недель, а внедрения — до 1-3 месяцев.
— Расскажите подробнее о нестандартных кейсах в прогнозировании, были такие?
К примеру, для одного из крупных аэропортовых операторов России мы создали пилотную модель, решающую три задачи: 1) прогноз пассажиропотока на текущих маршрутах с разбивкой на регулярный и дополнительный, 2) прогноз на перспективных направлениях, 3) прогноз сезонного трафика. Для каждой задачи применялись уникальные настройки и данные: от исторических данных по пассажиропотоку до социо-демографических характеристик населения. Результаты прогноза позволяют оператору вести переговоры с авиакомпаниями об увеличении числа рейсов и открытии новых направлений.
В агропроизводстве мы работали с крупным холдингом, выращивающим овощи. Для них мы разработали модель, которая делает две вещи: 1) прогнозирует ежедневные объемы сбора урожая, что помогает планировать рабочие смены, логистику и хранение, и 2) прогнозирует сроки всходов, оптимизируя производственные циклы.
Для этого использовались данные о погодных условиях, биологических характеристиках растений и даже параметры тепличных условий. Эти прогнозы призваны снижать риски и гораздо эффективнее управлять ресурсами.
— Как компании оценивают эффективность применения ML в прогнозировании?
Это один из моих любимых вопросов, потому что на него всегда есть конкретный и практический ответ. В отличие от комплексной автоматизации, результаты которой часто сложно измерить, ML-прогнозирование дает четкие показатели для оценки: точность прогноза, уровень ошибки, время, затрачиваемое специалистами на каждый цикл прогнозирования.
В каждой компании, где мы пилотировали ML-решения, есть алгоритмы расчета влияния точности прогноза на ключевые бизнес-показатели: уровень сервиса, списания сырья и материалов, размер оборотного капитала. Мы говорим, что forecast is king*, потому что качество прогноза влияет на все процессы: от сроков доставки сырья и плана производства до логистических затрат, страховых запасов и нормы прибыли компании.
Поэтому, если в 2024 году крупная компания после успешного пилотного проекта заявляет, что пока не готова внедрять ML в процесс прогнозирования, это скорее указывает на то, что повышение эффективности бизнеса не входит в ее приоритеты.
— Вы хотите сказать, что ML дает более высокое качество прогноза, чем специалисты?
Скорее, ML в тандеме с экспертами может творить чудеса. Современная экономика — это постоянная динамика, перестройка цепей поставок, сценарное планирование и перепланирование буквально на уровне дней и часов.
В такой ситуации традиционные подходы, основанные только на человеческом факторе, становятся тормозом. Конкуренция усиливается во всех отраслях, и выигрывает тот, кто быстрее реагирует на изменения и перестраивает планы в реальном времени и на основе реальных данных.
Например, человеку требуется значительное время, чтобы пересчитать прогноз при новых вводных. Вероятность ошибок при этом возрастает. Алгоритмы ML же обрабатывают такие данные за секунды, анализируют корреляции, обосновывают влияние каждого нового фактора.
— Получается, что алгоритмы берут на себя рутину по проверке и обработке входящих данных, а специалист проверяет качество прогноза?
Именно так. ML снижает влияние человеческого фактора и субъективных оценок, которые могут быть связаны с нехваткой опыта, давлением со стороны команды или физической невозможностью учесть всё.
Вместо рутинной проверки данных бизнес-команда может сосредоточиться на анализе ключевых отклонений и позиций прогноза. Это позволяет ускорить принятие решений, повысить их точность и дать компаниям преимущество в условиях растущей конкуренции.
— Какой главный вывод можно сделать из вашего опыта?
ML-прогнозирование — это не привилегия высокотехнологичных или FMCG-компаний. При правильной настройке и использовании технологий любая отрасль получает ощутимую пользу. Главное — преодолеть стереотипы и открыть двери инновациям. ChatGPT стал доступен пользователям не так давно, а мы уже каждый день используем его и другие нейросети для самых разных задач — согласитесь, это произошло довольно быстро. Думаю, что ML также быстро завоюет бизнес, которому сейчас как никогда важно решать задачи повышения эффективности.
*Forecast is king (англ.) – прогноз – всему голова
