Отвечу по второй части комментария, про износ самосвалов. Действительно, сами заказчики как правило заранее не знают, что и когда понадобится, но чудо числовых законов вселенной в том, что это с небольшой погрешностью укладывается в некую закономерность. А закономерность мы выявляем на массиве исторических данных – статистики, и вариативно обрабатывающий ее искусственный интеллект – наше всё. Если же спрос однозначно определён, то планёр будет ориентироваться на свои цифры, а не на модель. Финальное слово всегда за ним. А если есть большая доля вариативности, то там уже мы.
Нам важно не столько эмпирическое распределение спроса, а распределение ошибки нашего прогноза. Предположим планёр компании использовал скользящее среднее или книгу заказов для формирования прогноза спроса. В итоге получалось сильно скошенное распределение с высокой дисперсией. Мы же с помощью ML модели добились существенного снижения дисперсии ошибки. В результате, на Монте-Карло симуляциях можно оценить, насколько получится снизить страховой буфер при переходе к ML прогнозированию спроса.
Во-первых, бельгийский Клабек находится в непосредственной близости от потребителей. Во-вторых, там работает прокатное оборудование, которое может сделать из российских слябов особый вид толстого проката. Производство Q&T — это своего рода ноу-хау компании. И с точки зрения технологии, и с точки зрения разработок видов стали под эту продукцию.
Это лишь один пример. Сталь, произведенная на NLMK Clabecq, используется в строительстве, судостроении и т. д. Широкий спрос на весь ассортимент продукции не так предсказуем. Мы выстроили сервис пополнения ассортимента слябов всех марок стали, которые необходимы для работы предприятия.
Отвечу по второй части комментария, про износ самосвалов. Действительно, сами заказчики как правило заранее не знают, что и когда понадобится, но чудо числовых законов вселенной в том, что это с небольшой погрешностью укладывается в некую закономерность. А закономерность мы выявляем на массиве исторических данных – статистики, и вариативно обрабатывающий ее искусственный интеллект – наше всё. Если же спрос однозначно определён, то планёр будет ориентироваться на свои цифры, а не на модель. Финальное слово всегда за ним. А если есть большая доля вариативности, то там уже мы.
Нам важно не столько эмпирическое распределение спроса, а распределение ошибки нашего прогноза. Предположим планёр компании использовал скользящее среднее или книгу заказов для формирования прогноза спроса. В итоге получалось сильно скошенное распределение с высокой дисперсией. Мы же с помощью ML модели добились существенного снижения дисперсии ошибки. В результате, на Монте-Карло симуляциях можно оценить, насколько получится снизить страховой буфер при переходе к ML прогнозированию спроса.
Во-первых, бельгийский Клабек находится в непосредственной близости от потребителей. Во-вторых, там работает прокатное оборудование, которое может сделать из российских слябов особый вид толстого проката. Производство Q&T — это своего рода ноу-хау компании. И с точки зрения технологии, и с точки зрения разработок видов стали под эту продукцию.
Это лишь один пример. Сталь, произведенная на NLMK Clabecq, используется в строительстве, судостроении и т. д. Широкий спрос на весь ассортимент продукции не так предсказуем. Мы выстроили сервис пополнения ассортимента слябов всех марок стали, которые необходимы для работы предприятия.