Прескриптивная аналитика: как выбирать действия с учётом целей и ограничений
На этой странице
Прескриптивная аналитика — это анализ данных и допустимых вариантов действий для выбора или рекомендации решения с учётом цели, ограничений и ожидаемых последствий. Она помогает перейти от оценки ситуации к ответу на вопрос, какие действия стоит предпринять.
Например, прогноз может показать вероятный спрос, а прескриптивный расчёт помогает распределить поставки при ограниченной мощности производства. Рекомендация имеет смысл только в рамках принятых условий: того, что оптимизируется, какие действия допустимы и какие сведения использованы.
Чем она отличается от других видов аналитики
Описательная аналитика показывает, что произошло. Диагностическая помогает разбираться в причинах и факторах. Предиктивная оценивает будущие значения и вероятности. Прескриптивная сравнивает действия, которые могут повлиять на результат.
Эти задачи связаны, но прогноз не определяет решение автоматически. Даже при одинаковой оценке спроса компания может выбирать разные планы в зависимости от запасов, обязательств перед клиентами, затрат и уровня сервиса. Поэтому улучшение прогноза и улучшение плана оценивают отдельно.
Из чего состоит задача выбора
Цель описывает желаемый результат: например, снизить общие затраты при соблюдении требований к поставкам. Переменные решения определяют, что можно менять: объём выпуска, распределение запасов или очередность работ. Ограничения задают допустимые пределы, такие как мощность, наличие сырья и сроки.
Входные данные описывают текущую ситуацию и ожидаемые условия. Если они получены из прогноза, нужно учитывать его неопределённость. Решение, подходящее для одного сценария спроса, может оказаться уязвимым при другом.
Требования могут конфликтовать. Если мощности недостаточно для всех заказов, модель должна показать дефицит или выбрать допустимое распределение по заданным приоритетам. Нельзя считать выполнимым план, который просто игнорирует часть жёстких ограничений.
Условный пример распределения поставок
У компании два склада с потребностью 80 и 70 единиц, а на текущую неделю доступно только 100 единиц продукции. Общая потребность составляет 150 единиц, поэтому полностью закрыть её имеющимся объёмом невозможно. Для выбора распределения нужны дополнительные условия.
Если первый склад имеет обязательный минимальный уровень поставки 60 единиц, а второй 30, эти требования суммарно оставляют 10 единиц для дальнейшего распределения. Куда их направить, зависит от цели, затрат, приоритетов и допустимого риска дефицита. Одних значений спроса для ответа недостаточно.
В реальной задаче добавятся сроки перевозки, остатки, партии, себестоимость и альтернативные источники. Результат нужно сравнить с текущим способом планирования. Пример с двумя складами лишь показывает структуру выбора и не является кейсом внедрения KS.
Какие методы применяют
Для поиска решений используют математическую оптимизацию, правила, имитацию и сценарное моделирование. В оптимизационной модели явно задаются цель, переменные и ограничения. Для сложных задач расчёт может искать допустимое или близкое к оптимальному решение в пределах доступного времени.
Машинное обучение способно поставлять входные оценки, например прогноз спроса или риск задержки. Однако оптимизационный расчёт не обязан использовать ML. Поэтому называть всякую прескриптивную аналитику нейросетью или разговорным ИИ неправильно.
Сценарный анализ показывает последствия выбранных условий и действий. Чтобы рекомендовать вариант, дополнительно нужны критерии сравнения. Красивое описание сценария без проверки ограничений ещё не является доказанным оптимальным планом.
Как проверять рекомендацию
Сначала проверяют выполнимость: соблюдены ли обязательства и ресурсные пределы. Затем оценивают значение целевого показателя и сравнивают результат с базовым вариантом. Если заявлен оптимум, нужно понимать, для какой модели и с какой точностью он найден.
Полезно проверить чувствительность к спросу, срокам и затратам. Если небольшое изменение входа полностью меняет план, это важная информация для сотрудника. Иногда более устойчивый вариант предпочтительнее решения с лучшим показателем только в одном сценарии.
В приёмке также учитывают, можно ли объяснить рекомендацию и воспроизвести расчёт. Для этого сохраняют входные данные, версию модели и принятые ограничения. Без них сравнение двух планов может оказаться сравнением разных условий.
Как результат входит в рабочий процесс
Рассчитанный вариант может оставаться рекомендацией для планировщика или передаваться на согласование. Автоматическая запись в рабочую систему требует отдельного решения о полномочиях и контроле. Способ выбора плана и порядок его утверждения относятся к разным частям процесса.
Ответственный сотрудник должен видеть, какие предположения повлияли на результат и где модель не отражает реальную ситуацию. Если условия изменились, иногда нужно пересчитать задачу, а не вручную исправлять отдельные числа без проверки остальных ограничений.
Применение в Knowledge Space
Решение SP на платформе Knowledge Space поддерживает планирование цепей поставок с учётом ограничений производства и логистики, сценарный анализ и оптимизацию по затратам и марже. Это пример задач, связанных с прескриптивным подходом: нужно выбрать план действий в заданных условиях, а не только оценить будущий спрос.
Планирование и управление цепями поставок
FAQ
Прескриптивная аналитика и прогнозирование — одно и то же?
Нет. Прогноз оценивает будущие значения или события. Прескриптивная аналитика помогает выбирать действия с учётом цели, ограничений и возможных последствий.
Обязательно ли использовать машинное обучение?
Нет. Для выбора решений могут применяться математическая оптимизация, правила и моделирование. ML может давать входные оценки, но не является обязательным компонентом.
Любое рекомендованное решение оптимально?
Нет. Оптимальность оценивается относительно конкретной модели, цели и ограничений. Некоторые методы находят допустимое или приближённое решение за отведённое время.
Может ли система автоматически утвердить план?
Это зависит от процесса и выданных полномочий. Получение рекомендации само по себе не даёт права утверждать план или менять рабочие данные.
Смежные термины
- Предиктивная аналитика: Связывает модели с задачей прогнозирования.
- Text-to-SQL: Помогает получать из базы данные для анализа вариантов действий с помощью запросов на естественном языке.
- Объяснимый ИИ (XAI): Помогает разбираться в результате модели.