Да наши специалисты не хуже вашего искусственного интеллекта прогнозируют..
Давайте разберемся, когда это правда, а когда свидетельствует о проблемах в работе с данными. Для этого поговорим, что такое задача классификации и что такое задача регрессии
Задача классификации
Типичный пример - какой цвет вы видите? Он голубой? Или желтый? Или красный?
Или иной, менее радужный пример - какая опухоль? Доброкачественная или злокачественная?
В задачах классификации мы как бы выбираем, к какой категории отнести объект интереса.
Давайте подумаем, что такое точность при решении классификационной задачи.
Например, в 10% случаев мы ошибаемся при оценке цвета. Т.е. подумали, что это черный, а оказалось, что желтый. Ну помните, как с тем платьем.
В задачах классификации мы как бы выбираем, к какой категории отнести объект интереса.
Давайте подумаем, что такое точность при решении классификационной задачи.
Например, в 10% случаев мы ошибаемся при оценке цвета. Т.е. подумали, что это черный, а оказалось, что желтый. Ну помните, как с тем платьем.
Или вновь печальный пример - женщина получила ложноположительный результат скрининга на онкологию. Потому что ложноположительные и ложноотрицательные результаты иногда случаются. Предположим, что в 5% случаев результат неправильный, и это как раз пример определения точности классификационной задачи.
Получается, что ошибка в задачах классификации - это в каком относительном количестве случаев мы выбираем неправильную категорию. Попали/не попали. Верно / не верно.
Получается, что ошибка в задачах классификации - это в каком относительном количестве случаев мы выбираем неправильную категорию. Попали/не попали. Верно / не верно.
Задача регрессии
Типичный пример - сколько стоит квартира площадью 200 м2 около Кремля? А сколько стоит однушка в спальном районе?
Сюда же относятся и задачи прогнозирования спроса - сколько товара мы продадим, если дадим скидку в 20%? А если повысим цену на 50%?
Сюда же относятся и задачи прогнозирования спроса - сколько товара мы продадим, если дадим скидку в 20%? А если повысим цену на 50%?
И мы все привыкли строить линии тренда в Excel.
И вновь, а что такое точность при решении регрессионной задачи? Если совсем упростить, то мы должны указать доверительный интервал для прогнозируемых значений.
Например, сеть “Дорого и точка” в следующем месяце продаст 100 ± 5 кг черной икры. Или торговая сеть FashionIsMyProfession продаст в следующем месяце 300 ± 90 маленьких черных платьев.
Таким образом, в задачах классификации мы получаем прогноз на основе, например, исторических данных. А на выходе должно получиться вещественное число (100, 1000, 100500 и т.д.).
Например, сеть “Дорого и точка” в следующем месяце продаст 100 ± 5 кг черной икры. Или торговая сеть FashionIsMyProfession продаст в следующем месяце 300 ± 90 маленьких черных платьев.
Таким образом, в задачах классификации мы получаем прогноз на основе, например, исторических данных. А на выходе должно получиться вещественное число (100, 1000, 100500 и т.д.).
Но перепутать ведь невозможно? Отнюдь..
Когда вы слышите, что точность прогноза спроса составила 50%, что первым приходит на ум? Если Вы подумали, что в 50% случаев система выдает правильный результат, а в 50% неправильный - то вы рассудили, как большинство. И вы уже настроены против таких результатов! Но, как ни странно, подобное восприятие - неверно.
На самом деле, как мы отметили выше, прогноз спроса - задача регрессии. И когда вы слышите, что ошибка (или отклонение) при прогнозировании спроса составила 50%, воспринимать это надо как
На самом деле, как мы отметили выше, прогноз спроса - задача регрессии. И когда вы слышите, что ошибка (или отклонение) при прогнозировании спроса составила 50%, воспринимать это надо как
Прогноз штук = X ± X/2
Ну или 100 ± 50, 500 ± 250 и т.д.
И оказывается, что 50% ошибка в некоторых бизнесах - вполне допустимая величина, с которой можно принимать управленческие решения.
А теперь про ситуации, когда человек не хуже машины
Чаще всего в бизнесе сотрудники правильно и точно решают задачи классификации. В каком районе открыть новую точку продаж? Есть ли ошибки в тексте? Зимнюю или летнюю одежду сейчас необходимо вывесить в зале?
А вот с задачами регрессии, особенно при прогнозировании спроса, лучше справляется искусственный интеллект.
Потому что ни один человек не сможет за минуту сказать, сколько будет продано и с каким доверительным интервалом товаров в следующие 6 месяцев, особенно одновременно для 200 000 SKU.
А вот с задачами регрессии, особенно при прогнозировании спроса, лучше справляется искусственный интеллект.
Потому что ни один человек не сможет за минуту сказать, сколько будет продано и с каким доверительным интервалом товаров в следующие 6 месяцев, особенно одновременно для 200 000 SKU.
И пример, когда человек выдает 100% точный прогноз спроса
Российское представительство немецкой корпорации по производству оптики выдавало самые точные прогнозы в мире. Прогноз спроса всегда имел 100% точность. Как ни странно, это вызывало бурю негодования у штаб-квартиры в Германии. Почему?
Потому что специалисты по продажам заносили в ERP систему проекты только когда пора было оформлять договор или счет. В итоге все проекты были выиграны, а в системе были заветные 100%. А вот штаб-квартира в итоге не понимала ни сколько реально проектов в России, ни какие проблемы возникают в процессе работы.
Вместо вывода
Модели на базе машинного обучение выдают результаты каждый день, позволяют вносить корректировки в маркетинговые активности и планировать склад. При этом сразу на всех уровнях – эрии, локации, точки.
Машинное обучение – жизненная потребность, а не блажь. Если вы еще не ввели его у себя в бизнесе – принимайте решение быстрее. Конкуренты точно уже подумали и начали внедрять некоторые его элементы.