Svinenakkens dusin navn
Backofficen vår rommet hver eneste ordre vi noen gang hadde gjort, og rundt 1 900 produktnavn. Den kunne ikke si oss hva vi solgte best, før en liten modell lærte seg å spørre.
JordanOsakaPå linjen sto det BONFILE 2-3 kg og ingenting mer. Den sto i en av ordrene våre, skrevet inn av noen som visste nøyaktig hva de mente. Bonfile er mørbrad; det kan hvem som helst i avdelingen vår fortelle deg. Det ingen kunne si, ut fra linjen alene, var om dyret hadde vært en gris eller en ku.
Hos MeatBorsa driver vi en handelsavdeling for kjøtt; hos MakeBetter lager vi verktøy for bransjen. Lenge trodde jeg at vi visste hva vi solgte. Vi kjente hver ordre. Det vi ikke kjente, var summen av dem.
Ett produkt, et dusin navn
Avdelingen vår går på BOSS, backofficen vi bruker hver dag. Ordrer, dokumenter, fakturaer, lastebiler, beholdning på kjølelager og betalinger ligger der, én post per ordre. Marginen der er ikke den forhåpningsfulle marginen fra dagen en handel blir avtalt. Den regnes ut etter lastebilen, forsikringen og dagene på kjølelageret, altså etter at kjøttet er ferdig med å koste penger.
Tallene var altså solide. Ordene var det ikke. I BOSS hadde vi rundt 1 900 ulike produktnavn, og hvert eneste ett var skrevet inn av et menneske, etter hva en selger eller en kjøper nå enn hadde skrevet. Selgere skriver på sitt eget språk. Kjøpere på sitt. Ingen av dem skriver for en rapport.
Ta svinenakke. I registrene våre var den Pork neck. Den var Schweinekamm, og Karkówka, og karczek, og Karkowka, med aksenten mistet et sted på veien. Den var Collar of pork, og Pork Collar / Neck, og Свински врат. Et dusin måter å skrive én stykningsdel fra én del av ett dyr. Et menneske leser den listen og ser ett produkt. En rapport leser den og ser et dusin, hvert av dem en tynn skive av sannheten.
Vi hadde oversikt over hver kilo som gikk gjennom avdelingen vår, og vi kunne ikke si hva vi solgte best.
Spørsmålet på mandag
Spørsmålet vi ville ha svar på, er det enkleste en trader kan stille: Hvilke basisprodukter selger best, og med hvilken margin? Ikke hvilken ordre. Hvilket produkt. Hver mandag lå rapporten der, og hver mandag svarte den på et annet spørsmål, nemlig hvilke stavemåter som solgte best.
Vi gjorde det handelsavdelinger gjør. Noen førte et regneark, med navnene i den ene kolonnen og det egentlige produktet, så langt de kunne bedømme det, i den andre. Det var nøye arbeid, og det var utdatert nesten før det var lagret, for nye ordrer bringer nye navn. Hver gang vi virkelig trengte svaret, ble analysen et prosjekt: en periode av noens oppmerksomhet, et resultat, og så den langsomme glidningen tilbake til ikke å vite.
Problemet stakk dypere enn stavemåten. Ofte kunne vi ikke engang se hvilket dyr det var. Bonfile er mørbraden av et eller annet. En tomahawk kan være storfe, svin eller lam. Og «Turkey» er, i en handel som krysser grenser, like ofte et land som en fugl. En trader som myste på listen, kunne som regel avgjøre det, fordi traderen husket handelen. Listen selv husket ingenting.
Modellene som hadde lest alt
Det åpenbare var å gi navnene til de generelle chatbotene, de store allmenne modellene som skriver en kontrakt eller et dikt på bestilling. Det gjorde vi. De traff riktig i under 55% av tilfellene. De var også trege og ganske dyre, men det var underordnede innvendinger. En lesning som tar feil nesten annenhver gang, kan man ikke bygge en rapport på. Man må fortsatt sjekke hver linje, og nå sjekker man en maskins arbeid i stedet for å gjøre sitt eget.
Jeg tror ikke feilen handlet om størrelse. En modell som har lest litt om alt, har lest svært lite skrevet av folk som selger kjøtt i lastebilvis, med få ord, på hvilket språk som enn lå nærmest for hånden.
En liten modell som spør
Så ga vi de samme navnene til CarcassAI, og problemet var over med én gang. Jeg skulle gjerne beskrevet en kamp her. Det var ingen.
CarcassAI er produktkunnskapen som ligger under hvert verktøy fra MakeBetter. Den rommer rundt tusen kjøttprodukter, hvert med én ID. Den leser rundt 7 000 navn på dem på 18 språk, stavefeil inkludert, og den har kartlagt 26 stykningsstandarder, fordi det samme slaktet deles ulikt avhengig av hvem sin standard som styrer kniven.
Den leser en produktlinje to ganger. Først kommer regler, som er deterministiske: Den samme linjen får det samme svaret i den samme versjonen. Så kommer Carcass, en liten modell som MeatBorsa trener selv, på hver beslutning traderne våre bekrefter, og den leser linjen en gang til. Der de to er uenige, eller der linjen er uklar, avgjør et menneske, og den avgjørelsen blir neste lekse.
Tre av vanene dens betyr mer for meg enn hastigheten. Den gjetter ikke: Får den BONFILE, spør den «hvilket dyr?» og venter. Den endrer aldri det selgeren skrev; lesningen står ved siden av selgerens ord, så originalen alltid er der å sjekke mot. Og den sender svært lite ut. Bare produktbetegnelsen reiser, uten kunde og uten pris, til en liten modell på MeatBorsas egne servere i EU.
De publiserte tallene er disse. Hos selgere den aldri har sett, finner den riktig produkt i 94,6% av tilfellene. En full lesning tar i median 29 millisekunder. Det første tallet er ikke hundre, og designet later ikke som om det er det. Det er derfor spørsmålet, og ventingen, finnes.
En rapport som aldri er et prosjekt
Det som endret seg i avdelingen vår, er enkelt å beskrive. Hver ny ordrelinje blir lest idet den kommer inn, i sanntid, billig og raskt. Ingen begynner på en analyse lenger, for analysen blir aldri ferdig og aldri utdatert. Den er bare der. Svinenakke er ett produkt igjen, uansett hva den het den dagen.
Bildet nedenfor er et eksempel, tegnet med illustrerende data og ikke våre egne tall. Formen er likevel nettopp det vi ikke kunne tegne før: salg per dyr og deretter per produkt, hver flis like stor som det den solgte, og merket med marginen sin.
Illustrerende tall. Hold pekeren over eller trykk på en flis for å se tallene.
Se tallene som tabell
| Dyr | Produkt | Andel av salget | Margin | Navn i BOSS |
|---|---|---|---|---|
| Svin | Svinebryst | 9.8% | 7.9% | 186 |
| Svin | Svinenakke | 7.6% | 11.2% | 148 |
| Svin | Svinebog | 6.9% | 6.4% | 118 |
| Svin | Svinekam | 5.8% | 8.8% | 97 |
| Svin | Svineskinke | 4.6% | 5.1% | 88 |
| Svin | Svinespareribs | 3.5% | 12.6% | 71 |
| Svin | Svineryggspekk | 2.4% | 4.2% | 52 |
| Svin | Svinemørbrad | 2.1% | 13.9% | 49 |
| Svin | Svineknoke | 1.3% | 9.1% | 38 |
| Storfe | Storfe ytrefilet | 5.9% | 9.4% | 88 |
| Storfe | Storfemørbrad | 5.2% | 10.8% | 83 |
| Storfe | Storfe ytrefilet, rull | 4.8% | 9.9% | 72 |
| Storfe | Storfe chuck roll | 3.6% | 7.2% | 51 |
| Storfe | Storfe inderlår | 3.1% | 6.1% | 46 |
| Storfe | Storfebryst | 2.6% | 8.3% | 39 |
| Storfe | Storfe lårkule | 1.8% | 5.7% | 32 |
| Fjørfe | Kyllingbrystfilet | 6.4% | 4.9% | 157 |
| Fjørfe | Kyllinglår | 4.9% | 3.8% | 109 |
| Fjørfe | Kyllingvinger | 3.2% | 6.7% | 74 |
| Fjørfe | Kalkunbryst | 2.6% | 5.5% | 63 |
| Fjørfe | Andebryst | 1.9% | 9.6% | 41 |
| Lam og kalv | Lammelår | 3.1% | 10.4% | 58 |
| Lam og kalv | Lammecarré | 2.4% | 14.1% | 44 |
| Lam og kalv | Lammebog | 2.0% | 8.2% | 39 |
| Lam og kalv | Kalvekam | 1.5% | 9.0% | 34 |
| Lam og kalv | Kalveknoke | 1.0% | 7.4% | 23 |
| Alle produkter | 100% | 1,900 |
Et diagram som dette ser vanlig ut, og det skal det. Det er det merkelige med historien. Ingenting i det er ny informasjon. Hver kilo, hver faktura, hver dag på kjølelageret lå allerede i BOSS. Det eneste som manglet, var enighet om hva tingene het.
Jeg har kommet til å tro at mye av det en handelsavdeling vet, er skjult på denne måten: ikke i data ingen har, men i navn ingen har samordnet. Et navn er ikke et produkt. Det er det noen kalte produktet én dag, på ett språk, for én kjøper. For dem som skrev dem inn, var navnene helt klare. Det var bare rapporten som ikke kunne lese.
På linjen står det fortsatt BONFILE 2-3 kg. Vi har ikke rettet den, og det kommer vi ikke til å gjøre; det er det selgeren skrev. Ved siden av står det nå en lesning, og før lesningen kom et spørsmål, som en av traderne våre svarte på. I all den tiden vi hadde ført den listen, var det første gang listen hadde spurt oss om noe.