Fidget spinnere og Black Swans: Hva kan AI gjøre for retail?

Statistikken har sneket seg inn i sommerferien min, her jeg ligger på elvebredden ved Frysja i Oslo og soler meg. De nye, trådløse høyttalerne mine står og forkynner Talebs budskap om at alt av prediksjoner bare er Πss (du får unnskylde gresken min).

Nicholas Taleb er selv en høyt utdannet mann, og begynte karrieren sin som trader på Wall Street. I dag forakter han finansverdenens modeller, ser på akademiske utmerkelser som tomt jåleri og mener de viktigste hendelsene også er de vanskeligste å forutse.

Utsagn som: "Unlike a well-defined, precise game like Russian roulette, where the risks are visible to anyone capable of multiplying and dividing by six, one does not observe the barrel of reality." er typisk Taleb.

Jeg begynner å gruble på om det virkelig er så gæærnt som han hevder. Det er da mye vi kan predikere, også innen retail?

Etter å ha tenkt meg nøye om må jeg motvillig medgi at den libanesisk-amerikanske kjeftesmellen, grovt sett, har rett. Og når Jeff Bezos krever at avdelingslederne i Amazon leser nettopp Black Swan, er det jo ikke uten grunn. Det vil jeg si mer om straks. Men først litt kontekst.

Retailere trenger nye modeller

Jeg aksepterer mye av det Taleb sier, men forstå meg rett: Jeg er ikke enig i at alt av prediksjoner er meningsløst. Jeg jobber til daglig med og for retailere, og vet bedre enn de fleste hvor avhengige vi er av forutsigbarhet. Følgelig må vi kunne forutse.

Foto: .

Det har også retailere kunnet i årevis. Bare se på regnskapene – mange har tjent gode penger, noe som betyr at de har hatt god (nok) kontroll på vareflyten. Den som for eksempel solgte brød i perioden 1980–2000, fikk etterhvert en statistisk modell som var ganske så pålitelig; det var neppe noe særlig forskjell på etterspørselen etter brød i 1996 og i 1997.

Netthandelen har imidlertid ført til dramatiske endringer for retail, og flere og flere får erfare at statistiske modeller, akkurat som mange av varene de brukes på, kan gå ut på dato. Og det er ikke bare i møte med Black Swans. Det gjelder også i forbindelse med helt normale driftsvariasjoner.

I 2019 er det helt naturlig å legge om til en datadrevet forretningsmodell – men – ikke glem at alt du gjør skal tjene forretningsmål og kundeopplevelse. Det å lage maskinlæringsmodeller er ikke så vanskelig i seg selv, men å få dem til å skape forretningsverdi er som regel litt verre. Ikke minst må de tåle at verden endrer seg.

Derfor: Len deg ikke på én modell, men bygg opp en portefølje som kontinuerlig evalueres. Trener du modellen din bare én gang, lærer den ikke mer. Det er ingen vits i å prate om maskinlæring eller AI hvis vi stopper treningen idet modellen funker. Verden endrer seg, modellen må lære og evalueres mot alternativer. Høres det tungvint ut?

Velkommen til maskinlæring.

Black Friday på en mandag og en verden som vil ha fidget spinners

I lys av forrige avsnitt er det rimelig å spørre seg: Hvor relevant er en maskinlæringsmodell i møte med et helt nytt produkt?

Ikke veldig.

Jeg gjorde en gang en analyse for en butikk som hadde fått en gigantisk topp i salget like før Black Friday. Først trodde jeg det måtte være en feil med tidsstempelet, og at det i virkeligheten var Black Friday, men nei: Over natten hadde det oppstått en trend innen en produktkategori og folk gikk mann av huse.

Dette illustrerer et helt avgjørende poeng: Retailere må være bevisste på at selv verdens mest avanserte formel vil slite med å forutse sosiale fenomener. Spesielt ikke når den er veldig spesialisert (ref. Taleb!). Hva blir neste fargetrend? Når bytter brukerne våre over til mobilflater? Og hvem i all verden kunne ha gjettet at det skulle bli solgt titalls millioner fidget spinnere på global basis?

Uansett hva Hollywood måtte mene: Vi kan ikke lære en datamaskin å spå. Maskinlæring er en prosess som lærer av data, og som har litt vanskelig med å se utenom den verdenen den har «vokst opp i» Selv har jeg har laget tøffe modeller som forutsier salg av bananer, melk og brød. Jeg ville aldri drømme om å la noen av disse modellene mene noe om Tesla!

Like fullt ser jeg at mange bygger intrikate, tunge modeller – og sender dem ut på stadig tynnere is.

Mange retailere (egentlig alle som jobber med prediksjoner) ville hatt god nytte av å lese Taleb og hva han sier om sosiale fenomener. De lar seg ikke forutse.

Jeff Bezos skjønner også dette; derfor helgarderer han seg. Amazon har så mange parallelle forretningsmodeller at det alltid er noe som holder hjulene i gang, selv om det skulle bremse litt andre steder. De vet at ikke alle vinner frem, og at den som skal drive forretning over tid må satse på flere hester.

Amazon har ikke sluttet å prøve seg på spådommer – de er bare bevisste på begrensningene og sårbarhetene. Ved å vurdere prediksjoner fra mange parallelle modeller, reduseres konsekvensen av at enkelte feiler.

Nøkkelen til å lykkes med kunstig intelligens? Ekte intelligens.

Få har lykkes bedre med prediksjoner enn statistikk-guruen Nate Silver. I de amerikanske presidentvalgene i 2008 og 2012 spådde han riktig resultat i henholdsvis 49 av 50 og 50 av 50 stater. I 2008-valget traff han dessuten med samtlige 35 seter i senatet.

Undertittelen på bestselgeren hans – «The Signal and the Noise: Why So Many Predictions Fail – but Some Don't» – viser tydelig at han har et edruelig syn på prediksjoner, men også at han ikke er like avvisende som Taleb. Nøkkelen er å støtte seg til statistikken, heller enn å lene seg på den.

I utgangspunktet identifiserer jeg meg mer med Silver enn med Taleb, men sistnevnte skal ha honnør for virkelig å ha åpnet øynene mine for hvor sårbare vi er når vi stoler blindt på konvensjonell forecasting.

Vi som jobber med maskinlæring vet at ingen av oss noensinne vil bli ferdig utlært. Jeg vil likevel anbefale retailere følgende tilnærming:

1. Ikke len deg på én modell.
2. Ikke bind deg til modeller som går ut ifra at alt er som det var før. Oppdater modellen din kontinuerlig.
3. Bruk sunt bondevett – vær realistisk med hensyn til hva du kan spå og ikke.
4. Ta høyde for at ting ikke går som du tror (det uforutsette), og at du innimellom rammes av ekstreme hendelser (black swans)
5. Styrk datagrunnlaget ditt – bruk data for å utfordre din egen teori og erfaring.
6. Modellen din kommer til å ta feil, men det gir optimale forhold for læring og forbedring

Maskinlæring har utvilsomt sine begrensninger, men ikke la deg skremme. Så lenge du holder én hånd på rattet og øynene på veien, er det all grunn til å la maskinene gjøre mye av grovarbeidet.

Abonner på Driwstoff og motta våre ferskeste artikler direkte i din innboks én gang i måneden. 

Artikkelen er skrevet av Pål Haugen i Driw