Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Самый точный прогноз редкого спроса не обязательно обеспечивает лучший уровень сервиса. В работе Singapore Management University рейтинг по точности оказался обратным рейтингу по исполнению заказов, хотя препринт не рецензирован и числа получили сами авторы. Для выбора модели недостаточно сравнить ошибки: прогноз нужно проверить внутри политики пополнения запасов.
Как связали прогноз с исполнением заказа
Обычный тест оценивает каждую складскую позицию отдельно: модель предсказывает спрос, после чего прогноз сравнивают с фактом. Но логистический оператор получает оплату за полностью исполненный заказ. Если в заказе не хватает одной позиции, весь заказ считается неисполненным.
Авторы сравнили 38 методов: скользящие средние, модели для прерывистого спроса, машинное обучение, глубокие нейросети и предобученные модели временных рядов. Для всех применяли одну политику пополнения: прогноз задавал целевой запас на период поставки и следующего пересмотра. Основной горизонт поставки составлял 6 месяцев.
Затем исследователи воспроизвели движение запасов и фактическую последовательность из 20 330 многопозиционных заказов. Заказ засчитывали, только если склад мог сразу выдать все строки. Такой тест связывает прогноз не с промежуточной метрикой, а с условием контракта.
Промышленная выборка охватывала месячный спрос на запчасти, причём 70% наблюдений были нулевыми. Спрос возникал редко, объёмы резко менялись, а история оставалась короткой. Дополнительные проверки провели на публичном наборе запчастей RAF, более регулярном M5 и синтетической панели RUF, которая воспроизводит свойства закрытых промышленных данных.
Почему меньшая ошибка дала худший сервис
Ранговая корреляция между точностью и долей полностью исполненных заказов составила −0,555. Отрицательный знак означает, что методы с более высоким местом по точности в среднем оказывались ниже по сервису. Речь не о единичной неудачной модели, а о расхождении двух рейтингов при общей политике запасов.
Причину лучше объясняло направление накопленного смещения. Модель, которая систематически недооценивает спрос, снижает целевой запас. На прерывистом ряду это особенно опасно: несколько нулевых месяцев тянут прогноз вниз, а следующая редкая заявка остаётся без покрытия.
Обратная ошибка может выглядеть хуже в тесте точности, но работать как дополнительный страховой запас. Завышенный прогноз в месяцы без спроса получает штраф, хотя оставленный им товар помогает исполнить следующий многопозиционный заказ. Поэтому исправление прогноза ради минимальной ошибки способно ухудшить контрактный результат.
Этот эффект использовали для Chronos-2. Стандартная нормализация учитывала весь ряд вместе с нулями и создавала отрицательное смещение. Коррекция считала центр ряда по ненулевым наблюдениям, не меняя веса модели и не требуя нового обучения.
При целевом уровне политики 90% расчётная доступность отдельной позиции выросла на 14,5 процентного пункта. Доля полностью исполненных заказов поднялась с 54% до 63%. Ошибка прогноза при этом могла увеличиваться: коррекция улучшала решение по запасам, а не место в рейтинге точности.
Когда команде стоит менять план внедрения
Работа меняет план, если модель сейчас выбирают только по средней ошибке на отдельных позициях. В контур проверки стоит добавить воспроизведение пополнений, сроков поставки и реальных корзин заказов. Основной метрикой должен стать результат, за который платит клиент: полное исполнение заказа, доступность оборудования или стоимость дефицита.
Следующий шаг — измерить не только величину ошибки, но и её направление на всём горизонте поставки. Систематическое занижение спроса может быть важнее небольшой разницы между моделями по точности. Перед заменой модели имеет смысл проверить нормализацию, обратное преобразование прогноза и правила, которые переводят его в целевой запас.
Коррекция смещения не создаёт бесплатный сервис. Более высокий прогноз обычно требует больше запасов, поэтому варианты нужно сравнивать одновременно по исполнению заказов и стоимости хранения. Для промышленного запуска коэффициенты следует настраивать на отдельном историческом периоде, а не на данных итоговой проверки.
Переносить отрицательную связь на любой спрос нельзя. Её проверяли прежде всего на месячных рядах одного контракта с редкими заявками; на RAF она была слабее, а на менее прерывистом M5 направление связи изменилось. Общая политика запасов помогла изолировать влияние прогноза, но в рабочей системе её также придётся настраивать вместе с моделью.
Практический вывод уже применим: сначала определить метрику решения и воспроизвести операционный процесс, затем выбирать прогноз. На редком спросе коррекция устойчивого смещения может дать больше пользы, чем ещё одна модель с меньшей ошибкой.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
