Kdybychom měli křišťálovou kouli a mohli objednat přesně tolik, kolik si naši zákazníci přejí, bylo by to skvělé. Jak se tedy dnes vyrábí křišťálové koule?

Předpověď poptávky je statistika

Vezmeme si na pomoc matematiku a statistiku. Pokusíme se vytvořit model chování prodejů každého produktu. To ostatně v mnoha pří­pa­dech dělají nákupčí nebo manažeři zásob ve svých hlavách. Děláme to tak všichni. Vycházíme ze skutečnosti, kterou jsme pozorovali. Nejjednodušším modelem je předpokládat, že se zítra prodá stejně jako dnes. Matematici to označují za naivní model, ale v mnoha případech se ukazuje, že je to model poměrně slušně fungující. Pokud tedy není dnes sobota a zítra máme zavřeno. Ale to jsou všechno úvahy, které v mozku zkušeného nákupčího nebo plánovače proběhnou takřka okamžitě. A je to také důvod, proč vaši zkušení kolegové bezpečně poznají, že libovolný software a algoritmus udělal chybu. Co si často nedokážou uvědomit, je skutečnost, že také dělají chyby (byť z úplně jiných důvodů než počítače).

Máme tedy model vycházející z minulosti, zítřek bude stejný jako dnešek. Můžeme ho různě vylepšovat, všimneme si trendu – v posledních dnech jsou prodeje každý den o malý počet kusů vyšší, nebo sezonnosti – v létě se prodává výrazně více zmrzliny, prodeje v týdnu před výplatou jsou vyšší, nebo jsou prostě vyšší v pátek a sobotu, pokud máme v neděli zavřeno. Vědci už za nás odpracovali poměrně hodně práce, další udělali vývojáři softwarů, takže není moc důvodů tyto předpovědní modely nepoužívat. Jejich 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. Jsou schopny samy ukázat, jak moc se odchylují od reality, i jestli svou předpověď spíš nadhodnocují, nebo podhodnocují. Tento aspekt je velmi často podceňován, často se soustředíme na chybu před­po­vě­di, ale to, jestli je spíš nahoru nebo dolů, už tolik neřešíme. Je to k naší škodě. Trvanlivou položku s pěknou marží bych měl raději ve skladu v trošku větším množství. Na druhou stranu, pokud budu ne­u­stá­le objednávat moc pečiva, mohu maximálně vyrábět strouhanku.

Nebojme se chyby

Z tohoto důvodu je i nepříliš hodnotné počítat souhrnné číslo zvané Forecast Accuracy. Tradiční metody pro počítání chyb jsou dobré k tomu, aby nám ukázaly na jednom produktu, jak dobře se nám daří ho předpovídat, ale počítání průměru z těchto chyb nás může snadno zavést na scestí. Dopad chyby se totiž značně liší v závislosti na vlastnostech předpovídaného produktu. Navíc předpovědí poptávky naše práce nekončí. Je to jenom jeden ze vstupů do rovnice, která má ve výsledku propočítat, kolik tedy dnes objednám, a jestli vůbec. A do tohoto nám vstupují další parametry: minimální objednací balení, minimální velikost objednávky, objednací dny u dodavatele... Snadno se nám může stát, že bychom chtěli objednat 9 ks, ale kartony jsou po 12 ks a dodavatel nám méně než jednu paletu 120 ks nezaveze. Naše 10% chyba předpovědi (cca 1 ks) najednou není tak podstatná.

Dalším skutečností je, že některé produkty se prostě předpovídají lépe (jejich prodeje jsou v čase stabilní, nebo se jednoduše chovají předvídatelně) a u jiných je poptávka velmi náhodná a není na první pohled zřejmé, jestli je ovlivněna nějakým vlivem, který nám zůstal skryt.

Zapojíme machine learning

Tady nám může pomoci zapojení metod strojového učení (Machine Learning – ML), které se umí dobře naučit reagovat na velké množství vstupních informací a odhalit jejich vliv na poptávku. Pokud u standardních metod používáme pouze informaci o časové řadě prodejů, nyní můžeme dodat další informace: dny v týdnu, informace o promočních akcích, změnách ceny, speciální vlastnosti dne (výplatní termín), nebo den, kdy konkurent typicky vydává svůj leták. Metody strojového učení si udělají svůj názor na to, které tyto parametry mají smysl a které ne. A pokud mají do budoucna informaci o hodnotě těchto parametrů (kalendář je např. jednoduché získat, u informací o chování konkurenta to může být těžší), mohou je použít ke zpřesnění předpovědi.

Tento přístup je ale mnohem náročnější na množství a kvalitu dat. Dnes populární jazykové modely typu ChatGPT jsou vlastně obří statistické modely, které lidstvo dokázalo vytvořit díky tomu, že máme výpočetní výkon. a hlavně ohromné množství digitalizovaných dat, na kterých můžeme modely učit. Ačkoliv pro predikce používáme jiné typy neuronových sítí a modelů, i tady platí, že při nedostatku dat (např. pokud bychom učili model pouze na jedné časové řadě prodejů jednoho produktu) dojde snadno k tzv. přeučení – model se historii naučí moc dobře a není schopen reakce na nové podněty.

Pokud ale vybereme správný model a dodáme dost dat, je naše křišťálová koule rázem mnohem lepší.

Jak ulovit černou labuť

Je vůbec možné dosáhnout 100% přesnosti naší předpovědi? Bohužel ne, budoucnost není vyčíslitelná a spočítatelná. V přesném předpovídání nám brání fyzikální zákony a samotné plynutí času. To, co naše křišťálová koule neumí a pravděpodobně nikdy umět nebude, je předpovídat takzvané černé labutě. Události, které v minulosti nenastaly. Pro příklady není třeba chodit daleko – stačí si vzpomenout na to, jak jsme nakupovali základní potraviny a gelové dezinfekce v okamžiku prvních lockdownů COVIDu-19. Tady se vyplatí mít možnost naši křišťálovou kouli korigovat. My lidé si totiž 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.

Práci si tedy můžeme rozdělit. Nákupčí se bude snažit vymyslet nějaké řešení v situaci, kdy se křišťálové kouli předpověď nedaří (naštěstí je naše koule čestná a vždycky se přizná). Na oplátku nám křišťálová koule vyřeší předpověď pro 80–90 % našich produktů.

Tím však naše práce nekončí, ale začíná. Je nutné rozhodnout se, kolik zboží podle předpovědi objednat. To není jednoduchý úkol. Pokud budeme objednávat často, budeme mít ve výsledku nižší zásoby na skladě, ale kolegové na příjmu zboží si možná budou stěžovat na neefektivní zaskladňování zboží po kusech nebo malých kartonech. Dodavatelé by také raději větší ucelené objednávky a možná nám dají i nějakou slevu, aby nás k nim motivovali.

Pro každou skladovou položku se nám náhle objeví skupina vzájemně si protiřečících požadavků. I tady nám 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 alespoň odhady vašich nákladů na skladování, cenu peněz, náklady na jednu objednávku a další jednotkové náklady – je výpočet sice komplikovaný, ale možný. I přesto je dobré, pokud vám váš dodavatel informačního systému umožní výsledné návrhy modifikovat. Ideálně tak, aby se váš nákupčí vyjadřoval k těm objednávkám, kde je nějaká míra nejistoty, nebo kde algoritmus vyhodnotil, že si není úplně jistý.

Stejně jako u předpovědi je ale vhodné spolupracovat, rozdělit si práci (rutinu nechat strojům) a uvolnit myšlenkovou kapacitu a čas vašim lidem k tomu, aby dělali to, co umí nejlépe, a počítač je v tom ještě nějakou chvíli nenahradí. 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.

Petr Tulach Autor článku je CTO společnosti Logio.