Сомнения, вызовы и страхи специалиста по планированию спроса/конечного пользователя
У меня была возможность возглавить создание продукта прогнозирования спроса на основе AI/ML для розничного продавца из списка Fortune 50. Из многих выводов самым важным является то, почему внедрение AI/ML сложнее и что делает его менее сложным. Каждое изменение — это вызов. AI/ML ничем не отличается, на самом деле немного сложнее из-за его относительной новизны.
В этом блоге я попытаюсь воспроизвести то, что я узнал о страхах и проблемах от конечного пользователя (в данном случае с точки зрения планировщика спроса), где эти страхи коренятся и какие лидеры продуктов, новаторы должны быть преднамеренными.
Роль специалиста по планированию спроса
Традиционно ожидается, что специалист по планированию спроса будет поддерживать «хороший» прогноз, вносить данные для размещения «оптимальных» запасов в точках продажи и реализации. «Хороший» прогноз обычно измеряется на основе показателей точности прогноза, таких как средняя абсолютная ошибка в процентах (MAPE), погрешность прогноза. Создание «хорошего» прогноза включает в себя использование модели, созданной для прогнозирования, и наслоение множества дополнительных сведений о местоположении, погоде, продукте, ценах, конкурентах и рыночной информации. Кроме того, специалисты по планированию спроса сотрудничают с магазинами, региональными командами, внутренними продавцами и внешними поставщиками для получения исходных данных и информации, которая требует корректировки прогноза.
Планировщик спроса не доверяет прогнозу "черного ящика"
Исторически сложилось так, что прогнозирование временных рядов — это то, что планировщики спроса (люди, ответственные за создание прогноза спроса) использовали на протяжении десятилетий. Прогнозы временных рядов предоставляют параметры, элементы управления, которые планировщики могут изменить, чтобы повлиять на число прогнозов. Я отношусь к ним как к коэффициенту в уравнении, которое изменит выходное значение. В большинстве компаний многие специалисты по планированию спроса имеют степень в области статистики и/или изучали ее в рамках своей работы.
Что касается прогнозов AI/ML, и того, как они работают (и те, которые я видел), мало влияния/коэффициента, такого как изменения, которые могут внести планировщики для изменения выходных данных модели. Кроме того, учитывая его новизну и ограниченную или отсутствующую «объяснимость» прогноза, специалисты по планированию спроса считают его черным ящиком с большой степенью непредсказуемости.
Прогнозирование спроса — это чья-то работа
Традиционные роли планировщика спроса требовали от планировщиков постоянной корректировки параметров, ручной загрузки/редактирования прогнозируемых значений. Это была их дневная работа. Мало того, точность прогноза также является показателем их эффективности. И теперь для кого-то имеет смысл чувствовать себя некомфортно из-за работы с черным ящиком, на основе которого калибруется их индивидуальная производительность.
Фактор комфорта (с текущей системой)
Благодаря долгосрочному использованию специалисты по планированию спроса знают, что работает, а что дает сбои в моделях временных рядов/текущих прогнозов. Они умеют «управлять» прогнозами. Независимо от того, насколько хороши или плохи модели временных рядов, специалисты по планированию спроса к ним ПРИВЫКАНЫ. «Привыкание» к чему-либо в течение длительного времени чаще всего приводит к повышенному сопротивлению и страху перед переменами.
Страхи бизнес-лидеров и опасения конечных пользователей
Бизнес-лидеры обычно обеспечивают поддержку, основываясь на общей картине — тенденциях, общем направлении отрасли, «прогнозируемых» потенциальных выгодах. Чаще всего бизнес-лидеры опасаются точного и бесперебойного исполнения. С другой стороны, когда речь идет о конечных пользователях, планировщиках спроса, проблемы и вопросы очень специфичны. Подходы к прогнозированию и средства контроля для крупногабаритных продуктов, хранящихся в узлах выше по течению, должны отличаться от продуктов, хранящихся в магазине, а число прогнозов должно быть объяснимым.
Вопросы конечных пользователей о реальном внедрении прогнозов спроса на ИИ/МО:
- Как я могу быть уверен, что прогнозы AI/ML лучше, чем текущие прогнозы временных рядов, есть ли доказательства того, что результаты согласуются на более длительном временном горизонте, можете ли вы доказать, что прогноз улучшается в меньшем масштабе, однако объясните компании уровень воздействия?
- Есть ли статистика, подтверждающая, насколько лучше прогнозы для моей категории товаров в разные сезоны?
- Какие средства управления прогнозами у меня есть? Если модель постоянно не дает правильного прогноза, как я могу «заставить» модель делать то, что она должна делать?
- Как я могу сообщить модели о своих категориях продуктов или факторах, о которых модель может не знать? Что, если продажи на прошлой неделе в Южном регионе были вызваны разовым локальным событием?
- Как узнать, какие входные данные учитывались в модели и какой вес был у каждого входного сигнала?
- Как я узнаю, что прогнозы не оправдались?
- Как прогнозы AI/ML будут продолжать поддерживать планирование цепочки поставок ниже по течению. Прогнозы текущих временных рядов прогнозируют базовый спрос, и это используется при планировании страхового запаса. Промо-прогнозы стимулируют заказ на покупку (заранее) против рекламного спроса?
- Как мне объяснить прогнозное число на моем еженедельном совещании по обзору запасов цепочки поставок? Какова разбивка общего прогноза? Что из общего прогноза — повторяющийся спрос — тренд, повторяющийся спрос — сезонный, что неповторяющийся спрос — разовые акции, погода, разовые локальные события?
- Если прогнозы окажутся неверными, кто будет нести за это ответственность — группа по анализу данных AI/ML, специалист по планированию спроса или оба? Обязывает ли это, что команда специалистов по обработке и анализу данных также должна быть представлена на деловых встречах? Или специалисты по обработке данных также выполняют функции планировщиков спроса?
- Являются ли мои показатели успеха/производительности теми показателями, с которыми также пытаются согласовываться прогнозы? Если мои прогнозные показатели нацелены на изменение различных видов продукции в разные периоды времени, чтобы поддержать стратегии увеличения или уменьшения запасов, как будет корректироваться прогноз?
- Откуда мне знать, что изменчивость прогнозов с течением времени не приведет к избытку или отсутствию запасов? Какова изменчивость прогноза между заказом и пополнением. Если прогноз на 10 % смещен в положительную сторону при заказе и на 10 % в момент развертывания смещен в сторону отрицательного значения, это приведет к увеличению запасов в наличии (излишних запасов) на 20 %. Верно и обратное, что может привести к «Нет в наличии»?
- Какова новая роль специалистов по планированию спроса в мире прогнозов AI/ML? Что вы ожидаете от меня делать, на ежедневной и еженедельной основе? Какова роль машины? Какова роль человека?
Настройка среды для открытой обратной связи с пользователями имеет решающее значение для успеха
Самый важный урок, который я усвоил как практикующий специалист, — это создать среду и создать открытый, беспристрастный канал, чтобы пользователи могли получать отзывы, вопросы и опасения. Отсутствие такой культуры и дисциплины приводит к значительным задержкам в развертывании, принятию на более позднем этапе пути продукта и приводит к неопределенности в отношении будущего продукта.
Несколько способов настроить открытые линии для взаимодействия и обратной связи с конечными пользователями:
- Слушайте с сочувствием и отвечайте действием. Усвойте вопросы/проблемы/отзывы. Спросите ключевых пользователей (не заинтересованных лиц) о том, что им нужно. Просеивайте отзывы, отправляйте ответы, сообщайте о планах действий. Если ответы недоступны сразу, предоставьте подходы. Ответы должны быть отражены в стратегии продукта и дорожной карте.
- Сформируйте руководящую группу, в которую войдут ключевые заинтересованные стороны бизнеса и технических специалистов, чтобы провести мозговой штурм по ключевым вопросам, таким как управление изменениями, блокировка процессов, ясность роли планировщика спроса и т. д. Демократизированное содействие и тщательное последующее наблюдение являются ключом к тому, чтобы руководящая группа действительно выполняла свою задачу.
- Вовлекайте конечных пользователей (не только бизнес-лидеров/заинтересованных лиц), участвующих в процессе евангелизации. Продолжайте следить за тем, чтобы пользователи постоянно участвовали в дорожной карте и видении. Пользователи должны чувствовать, что они участвуют в процессе создания продукта и являются его частью, а не просто пользователями/потребителями продукта. В ответ пользователи чаще всего также говорят, что им не нужно.
- Сформируйте основную команду суперпользователей, которые подробно расскажут о функциях продукта. Эта команда также является командой бета-пользователей, которая тестирует функцию продукта и дает ранние отзывы, прежде чем в нее будут вложены большие средства.
- Выберите чемпиона по внедрению и управлению изменениями. Чемпион — это тот, кто понимает большую потребность в программе, но тот, кому пользователи доверяют как своему голосу. Было бы лучше, если бы чемпион был из бизнеса, и, что наиболее важно, это должен быть кто-то, кому как бизнес, так и ИТ-команды доверяют как агенту успеха и представителю.
- Сделайте вовлечение пользователей культурой и привычкой. Примером может быть: а) семинары по дизайну, семинары по продукту с конечными пользователями на ранней стадии и повторение с частотой раз в квартал б) открытый канал для обратной связи — почтовый ящик, канал в неактивном режиме, вариант комментария или что-либо, что любой пользователь может отправить с вопросом, беспокойством , или сообщение для. Этот вариант работает очень хорошо для пользователей, которые имеют высокое сопротивление, но не хотят высказывать свои опасения в групповой обстановке. После того, как продукт достиг определенной стадии принятия, обратная связь может включать в себя также суперпользователей и бизнес-лидеров.
Резюме. Успех внедрения ИИ/МО определяется конечными пользователями/клиентами
Никакая концепция, продукт или бизнес-инициатива не будут успешными, пока конечный пользователь/клиент не будет удовлетворен. Прислушиваясь к проблемам пользователей, обратная связь еще более важна, особенно в такой области, как AI/ML, которая является относительно новой. Учитывая потенциал AI/ML, важно, чтобы руководители продуктов чувствовали ответственность за то, чтобы думать о способах внедрения на основе удовлетворенности конечных пользователей/клиентов.
Похожие истории
