Podíváme se tedy nyní trochu blíže na to, co vše je třeba zvážit, když chcete udělat dobrou predikci. Které veličiny do problému vstupují a kterým se raději vyhnout. Každopádně je nutné mít na paměti, že každý zákazník je unikátní, a proto neexistuje jedinečný předpis pro všechny.

Manažerská rozhodnutí versus tvrdá data

Začneme od začátku. Úloha predikce poptávky úzce souvisí s celkovým směřováním firmy. Jedná se o manažerská rozhodnutí, která mají vliv na vše, co firma bude a nebude v následujícím období dělat. Pokud se má například výrazně změnit struktura portfolia, není možné tuto změnu nezahrnout do uvažování o tom, co se bude dále prodávat. To samé platí i pro růstový faktor. Většina dnešního businessu je zaměřena na růst. Obvyklou součástí tvorby strategie na další období je předpověď budoucího růstu. A v tomto bodě již můžeme narazit na potenciální problém.

Velmi snadno se totiž může stát, že výhled managementu se zásadně rozchází s výhledem, který vidíme v datech. Představte si např. situaci, kde vyrábíte produkt A s pozvolným růstovým trendem v poptávce 3 % ročně. Pokud v tuto chvíli vidíme strategii růstu o 10 %, je třeba se ptát, jak je to vlastně možné.

Příčin, které mohou tento fakt způsobovat, je celá řada. Některé z nich jsou relevantní, jiné nikoli. Jedna z možností je například zavedení nového stroje, který zvýší produkci a sníží cenu, nebo očekávaný příchod zahraničního trendu. Na druhou stranu se může stát, že se nejedná o skutečný výhled, ale spíš o přání, jak by to mělo vypadat. Tomu může naopak bránit nasycenost trhu, nedostatečná kapacita výroba a další faktory.

Ať je tomu tak, či onak, je to jedním z našich prvních úkolů ve chvíli, kdy vytváříme predikci. Spojit to, co nám říkají data, s tím, co nám říkají lidé. Je to myšlenkově a komunikačně náročný proces, který však umožní oběma stranám (matematické predikci a lidské intuici) využít navzájem cenné informace. Pomáháme tak nejen správně predikovat, ale i vytvářet rozumnou strategii podloženou daty.

lavní zdroj přesnosti

Abychom byli schopni správně předpovídat budoucnost, potřebujeme toho vědět hodně o minulosti. Čím přesnější data jsou a čím víc jich máme k dispozici, tím lépe. Obvyklá délka historie, s kterou je dobré pracovat, je alespoň dva roky. Současně je dobré vědět co nejvíce okolností. Pokud předpovídáme prodej produktu, vystačíme i s nutným minimem informací, což jsou jeho jednotlivé prodeje v čase a ceny. Dokážete si však jistě představit, že toho, co má vliv na prodané množství, je mnohem víc.

Vezmeme-li to postupně, každý produkt spadá do určité kategorie a hierarchie produktů. Toto členění je zásadní vzhledem k prodejům podobných produktů a jejich cenám.

Svou roli hrají i takové prvky, které by nás možná na první pohled nenapadly. Jedním příkladem je geografická pozice prodejny. Leží naše prodejna naproti vyhlášené masně? Nebo je snad uprostřed ostrova vegetariánů?

Dalším zásadním faktorem je pochopitelně cena a případné akce. Záměrně neříkám slevové akce, protože nejde jen o ty spojené primárně s cenou. Jedná se o celou řadu věcí, které mohou nepřímo ovlivňovat prodej produktu. Začíná to skutečnou (obvykle žlutou) cedulkou s nápisem „akce“.

Pokračuje to však přes stánek s pěknou slečnou nebo pánem a končí to u reklamního shotu, který vidíte doma v televizi. To vše má vliv na prodej a to vše je dobré vědět, když chcete být přesní.

Další zásadní faktor je vaše konkurence. To je mnohdy velká neznámá, ale každopádně je to záležitost, která má velký vliv na to, jak se daří vám. Zda jsou tato data k dispozici, nebo nejsou, to je již u každého zákazníka jiné. Někdo tuší, co se děje za rohem, a někdo spíše ne. Samozřejmě, čím víc víte, tím lépe.

Zde se již ukazuje jedna zásadní věc, která platí obecně pro umělou inteligenci a strojové učení v dnešní době. Jedná se o systémy, které jsou tak přesné, jak přesné jim dovolíme být. Pokud má nákupčí ve firmě víc zásadních informací než ty, které jsou k dispozici pro stroj, tak je samozřejmě možné, že odhadne prodeje lépe. Jsme však na základě naší zkušenosti přesvědčeni, že i s menším množstvím informací se naše systémy rozhodují obecně lépe. Mají totiž obrovskou výhodu toho, že nic nepřehlížejí. Mohou tak být lehce nepřesné u jednotlivých specifických položek, ale velké množství těch ostatních budou předpovídat přesně. A tam se dostáváme na takový rozsah dat, který není lidská mysl již schopna zpracovat a udržet.

Inverze problematiky aneb Data mining

Jedním z oblíbených slovních spojení v kontextu revoluce 4.0 je data mining. A i zde má tento koncept své uplatnění. Doposud se totiž bavíme pouze o tom, že využíváme data na to, abychom predikovali ta samá data do budoucna. Jinou možností však je problém otočit. Namísto toho, abychom se ptali „jaký typ prodejny toto je?“, můžeme si klást otázku „máme různé typy prodejen?“ nebo „čím je způsoben propad prodeje produktu A v květnu?“ a spoustu dalších. Vzhledem k tomu, že pro vytváření predikcí již máme spoustu dat k dispozici, máme možnost takové otázky zkoumat a dávat na ně zajímavé odpovědi. Hledání vztahů v datech není snadné, ale může přinést velký vhled do celkového konceptu.

Zázraky agregace a průměru

Velice ošemetná otázka je, jak je jakýkoliv systém predikce přesný. Vzniká zde velký prostor pro interpretaci a těžko se hledá jedno univerzální kritérium. Jakožto příjemce informace o přesnosti je dobré si dát pozor na to, čeho přesnost to vlastně je. Pokud se dostáváme na vysoké úrovně v kategoriích produktů, tak je snadné být velmi přesný. Je tak jednoduché říci, kolik se prodá v Čechách zítra novin a kolik se prodá v tomto supermarketu sýra. To, co je už úplně jiná kategorie, je detail. Kolik se prodá na této benzínce? A kolik z toho bude eidam?

Pokud by vám jako businessu stačila velká čísla, tak máte vlastně vyhráno. Většinou to tak ale není a potřeba je právě onen detail.

Velkou výhodou je, že tento fenomén se dá velmi dobře využít ke zvýšení přesnosti. Pokud víme, kolik se prodá dohromady, na detail už je jen potřeba data dobře rozdělit. To pochopitelně není vůbec snadné. Jako vodítko to pomáhá, a klademe tak základ přístupu predikce zvanému Top Down. Ale o tom detailněji snad až někdy příště.

Vlastní výpočet

Paradoxně nejkratší odstavec článku se bude věnovat tomu, co se se všemi těmi daty stane. Stane se to, že vezmeme všechny výše zmíněné, i ty v tomto výčtu opomenuté informace a spojíme je dohromady v prediktivním modelu. Tento model obsahuje fázi učení, která slouží k tomu, že v historii identifikuje složité vazby a vztahy, zachytí trendy roční, měsíční i denní a pozná citlivost zákazníků na cenu. Pokud bychom se chtěli věnovat do detailu tomu, co vše se v rámci této procedury děje, vydalo by to na několik článků a nevyhnuli bychom se opravdu ošklivým matematickým vzorcům.

Zůstaneme tedy pouze u toho, že jako každý správný systém se i ten náš umí testovat. Pracujeme tak, že ho necháme naučit různé matematické modely, protože na každý problém se hodí něco jiného. Tyto modely pak necháme mezi sebou soupeřit na kousku historických dat. A na závěr vybereme ten statisticky nejlepší z nich, kterému pak “dovolíme”, aby nám řekl, jak to všechno bude vypadat zítra.

Jak je to s tím počasím?

Na závěr si neodpustím zmínit to, co většině z nás vrtá hlavou a co často slýcháme při řešení predikce. „Používáte počasí?“ Odpověď je obvykle jednoduchá, a to: „Obvykle ne.“

Podíváme-li se zpětně do historie, tak můžeme velice dobře stanovit vliv počasí na prodej, např. zmrzliny nebo piva. Souvislost je jasná, dobře měřitelná a funkční. Problém však nastane při pohledu do budoucna. Přesnost předpovědi je v tom období, které nás zajímá, tak malá, že to nemá smysl.

Pokud vám nepomůže informace o počasí zítra nebo nejvýše za tři dny, tak vlastně není co řešit. Nepřesnost dlouhodobější předpovědi je tak velká, že se nevyplatí s ní počítat. Globální průměr (v červenci je tepleji) dokážeme identifikovat z celkových dat a na krátkodobé změny obvykle nestihne prodejce sám reagovat. Pokud jste schopni na základě predikce reagovat do dvou dnů, pak se dá i tento faktor zohlednit. Pokud reagujete delší dobu, potřebujeme ještě o kousek lepší rosničky.

Martin Plajner Autor článku je konzultantem společnosti Logio.