Как пандемия бросает вызов компаниям, использующим модели прогнозирования

Источник · Перевод автора

Для предприятий, использующих прогностические модели для прогнозирования поведения потребителей, дрейф данных стал серьезной проблемой в 2020 году из-за невиданных ранее обстоятельств, связанных с пандемией. Организации были вынуждены постоянно переобучать и обновлять свои модели машинного обучения, и спустя 12 месяцев многие все еще борются с этой проблемой.

В интервью VentureBeat Дэн Симион (Dan Simion), вице-президент по искусственному интеллекту и аналитике Capgemini North America, сказал, что, хотя компании находятся в лучшем положении, чем они были через три месяца после начала пандемии, они находятся в другом положении. Приспосабливаясь к данным, поступающим в контексте этой новой среды, они не могут извлечь закономерности из данных за последние 12 месяцев, потому что поведение продолжает меняться.

«В первые три месяца все более или менее пытались понять, что можно сделать, чтобы использовать новые данные и начать создавать более точные модели машинного обучения», – сказал Симион. «Сегодня возникает вопрос: как быстро мы сможем адаптировать и переобучить модели машинного обучения?»

Симион отметил, что модели должны быть достаточно гибкими, чтобы повышать точность за счет использования новых данных об изменении поведения по мере его поступления. Также важно установить способ масштабирования этого процесса, сказал он, потому что изменение моделей машинного обучения и постоянная адаптация к сдвиг данных требует скоординированных усилий.

В качестве примера Симион рассказал о многомиллиардной глобальной компании по производству потребительских товаров в секторе замороженных продуктов. На раннем этапе пандемии компании, которая является клиентом Capgemini, пришлось приспосабливаться к тенденциям и поведению, которые широко варьировались в зависимости от конкретных регионов и штатов. В первые три-четыре месяца пандемии, когда в большинстве регионов действовали ограничения, продажи замороженных продуктов питания значительно выросли, поскольку клиенты предпочитали есть дома. Но в то время как некоторые штаты с тех пор ослабили свои правила карантина, и количество продаж замороженных продуктов в целом снизилось, другие штаты предпочли более медленное повторное открытие, что привело к изменению тенденций, что затрудняет прогнозирование, где в конечном итоге остановятся продажи замороженных продуктов.

В другом примере Симион говорит, что клиент Capgemini в области промышленных компонентов изо всех сил пытается предвидеть перебои в глобальной цепочке поставок. Из-за международных ограничений и ограничений существует не так много способов доставки материалов и продуктов по странам. Компания располагала запасами на складах в течение трех-четырех месяцев после начала пандемии, но из-за того, что эти запасы на случай чрезвычайной ситуации закончились, ограниченные перевозки и поставки затруднили построение точных прогнозов на фоне стольких переменных и ограничений.

Симион говорит, что проблемы в торговле особенно остры. Один розничный торговец из списка Fortune 500, пользующийся услугами Capgemini, больше не может отслеживать и прогнозировать определенные модели покупок с той точностью, которую он делал до пандемии. В обычный год, во время Рождества или приближающегося сезона «Снова в школу», покупатели будут делать покупки, и заказы на определенные товары предсказуемо увеличиваются. Но это изменилось, поскольку различные ограничения пандемии, включая гибридную среду обучения и небольшие праздничные собрания, влияют на людей и их расходы.

«Цепочка поставок была построена таким образом, чтобы удовлетворять устойчивый спрос. «Планирование и прогнозирование на основе этих предыдущих данных было простым и очень точным», – сказал Симион. «Сейчас все меняется. [E] даже после 12 месяцев жизни в этом мире, затронутом пандемией, мы не можем понять, какой будет точная прогностическая модель».

В отчете, недавно опубликованном в Harvard Business Review, предлагается несколько способов устранения нестабильных моделей прогнозирования. Чтобы исправить эти модели, компании могут использовать аналогии с прошлыми экономическими потрясениями, чтобы получить представление о будущем во время и после пандемии. Они также могут охватывать ансамблевое моделирование, которое объединяет прогнозы из разных моделей, чтобы предложить разумный диапазон. И они могут включать местные знания, а также совокупные знания группы экспертов о пандемии и ее последствиях.

«Вопрос в том, как быстро мы сможем адаптировать и переобучить модели машинного обучения? Мало того, что модели необходимо перестраивать или перепроектировать на основе новых данных, но они также нуждаются в правильных процессах, которые можно будет запустить в производство в ускоренном темпе», – добавил Симион. «До тех пор, пока не будет какой-то стабильности, организациям будет по-прежнему сложно определять устойчивые тенденции».