De twaalf namen van een varkensnek
Onze backoffice bevatte elke order die we ooit hadden gedaan en zo’n 1.900 productnamen. Wat we het best verkochten, kon hij ons niet vertellen, tot een klein model leerde te vragen.
JordanOsakaOp de regel stond BONFILE 2-3 kg, en verder niets. Hij stond in een van onze orders, getypt door iemand die precies wist wat hij bedoelde. Bonfile is haas; iedereen bij onze desk weet dat. Wat niemand op grond van die regel alleen kon zeggen, was of het dier een varken was geweest of een koe.
Bij MeatBorsa hebben we een handelsdesk voor vlees; bij MakeBetter bouwen we gereedschap voor de handel. Lang dacht ik dat we wisten wat we verkochten. We kenden elke order. Wat we niet kenden, was de som ervan.
Eén product, een dozijn namen
Onze desk draait op BOSS, de backoffice die we elke dag gebruiken. Orders, documenten, facturen, vrachtwagens, koelhuisvoorraad en betalingen staan er allemaal in, één record per order. De marge daarin is niet de hoopvolle marge van de dag waarop een deal rondkomt. Die wordt berekend na de vrachtwagen, de verzekering en de dagen in het koelhuis, met andere woorden: nadat het vlees is opgehouden geld te kosten.
De cijfers klopten dus. De woorden niet. In BOSS hadden we zo’n 1.900 verschillende productnamen, en elk daarvan was door een mens getypt, naar wat een verkoper of een koper toevallig had geschreven. Verkopers schrijven in hun eigen taal. Kopers in de hunne. Geen van beiden schrijft voor een rapport.
Neem varkensnek. In onze administratie was het Pork neck. Het was Schweinekamm, en Karkówka, en karczek, en Karkowka, waarvan het accent ergens onderweg zoek was geraakt. Het was Collar of pork, en Pork Collar / Neck, en Свински врат. Een dozijn manieren om één snit te schrijven, uit één deel van één dier. Een mens leest die lijst en ziet één product. Een rapport leest hem en ziet er twaalf, elk een dun plakje van de waarheid.
We hadden een record van elke kilo die over onze desk ging, en we konden niet zeggen wat we het best verkochten.
De vraag op maandag
De vraag die we beantwoord wilden zien, is de eenvoudigste die een handelaar kan stellen: welke basisproducten verkopen het best, en met welke marge? Niet welke order. Welk product. Elke maandag lag het rapport er, en elke maandag beantwoordde het een andere vraag, namelijk welke spellingen het best verkochten.
We deden wat elke desk doet. Iemand hield een spreadsheet bij, met de namen in de ene kolom en het echte product, voor zover hij dat kon inschatten, in de andere. Het was zorgvuldig werk, en het was verouderd bijna zodra het was opgeslagen, want nieuwe orders brengen nieuwe namen. Telkens als we het antwoord echt nodig hadden, werd de analyse een project: een tijdlang iemands aandacht, een uitkomst, en dan het langzame terugglijden naar niet-weten.
Het probleem zat dieper dan de spelling. Vaak konden we niet eens zeggen welk dier het was. Bonfile is de haas van iets. Een tomahawk kan rund, varken of lam zijn. En “Turkey” is, in een handel die grenzen overgaat, even vaak een land als een vogel. Een handelaar die met half dichtgeknepen ogen naar de lijst keek, kon het meestal wel uitmaken, omdat hij zich de deal herinnerde. De lijst zelf herinnerde zich niets.
De modellen die alles hadden gelezen
Het voor de hand liggende was om de namen aan de algemene chatbots te geven, de grote algemene modellen die op verzoek een contract of een gedicht schrijven. Dat deden we. Ze hadden het in minder dan 55% van de gevallen goed. Ze waren ook traag, en tamelijk duur, maar dat waren bijzaken. Een lezing die bijna elke tweede keer fout is, is niets waar je een rapport op kunt bouwen. Je moet nog steeds elke regel controleren, en nu controleer je het werk van een machine in plaats van je eigen werk te doen.
Ik denk niet dat het aan de omvang lag. Een model dat een beetje over alles heeft gelezen, heeft maar heel weinig gelezen van mensen die vlees per vrachtwagen verkopen, in een paar woorden, in welke taal er maar het dichtst bij de hand lag.
Een klein model dat vraagt
Toen gaven we dezelfde namen aan CarcassAI, en het probleem was meteen voorbij. Ik zou hier graag een worsteling beschrijven. Die was er niet.
CarcassAI is de productkennis die onder elke tool van MakeBetter ligt. Het kent zo’n duizend vleesproducten, elk met één ID. Het leest er zo’n 7.000 namen voor in 18 talen, spelfouten inbegrepen, en het heeft 26 uitsnijstandaarden in kaart gebracht, omdat hetzelfde karkas anders wordt verdeeld, afhankelijk van wiens standaard het mes leidt.
Het leest een productregel twee keer. Eerst komen vaste regels, en die zijn deterministisch: dezelfde productregel krijgt in dezelfde release hetzelfde antwoord. Daarna komt Carcass, een klein model dat MeatBorsa zelf traint op elke beslissing die onze handelaren bevestigen, en dat leest de regel een tweede keer. Waar de twee het oneens zijn, of waar de regel onduidelijk is, beslist een mens, en die beslissing wordt de volgende les.
Drie van zijn gewoonten wegen voor mij zwaarder dan zijn snelheid. Het gokt niet: krijgt het BONFILE, dan vraagt het “welk dier?” en wacht. Het verandert nooit wat de verkoper schreef; de lezing staat naast de woorden van de verkoper, zodat het origineel altijd ter controle klaarligt. En het stuurt heel weinig weg. Alleen de productomschrijving reist, zonder klant en zonder prijs, naar een klein model op MeatBorsa’s eigen servers in de EU.
De gepubliceerde cijfers zijn deze. Bij verkopers die het nooit eerder heeft gezien, vindt het in 94,6% van de gevallen het juiste product. Eén volledige lezing kost een mediaan van 29 milliseconden. Het eerste getal is geen honderd, en het ontwerp doet niet alsof. Daar zijn de vraag, en het wachten, voor.
Een rapport dat nooit een project is
Wat er bij onze desk veranderde, is eenvoudig te beschrijven. Elke nieuwe orderregel wordt gelezen zodra hij binnenkomt, in realtime, goedkoop en snel. Niemand begint nog aan een analyse, want de analyse is nooit af en nooit verouderd. Ze is er gewoon. Varkensnek is weer één product, hoe het die dag ook heette.
De afbeelding hieronder is een voorbeeld, getekend met illustratieve gegevens in plaats van onze eigen cijfers. Haar vorm is echter precies wat we eerder niet konden tekenen: verkoop per dier en dan per product, elke tegel zo groot als wat hij verkocht en voorzien van zijn marge.
Illustratieve cijfers. Beweeg over een tegel of tik erop voor de cijfers.
Bekijk de cijfers als tabel
| Diersoort | Product | Aandeel in de verkoop | Margin | Namen in BOSS |
|---|---|---|---|---|
| Varken | Varkensbuik | 9.8% | 7.9% | 186 |
| Varken | Varkensnek | 7.6% | 11.2% | 148 |
| Varken | Varkensschouder | 6.9% | 6.4% | 118 |
| Varken | Varkensrug | 5.8% | 8.8% | 97 |
| Varken | Varkensbil | 4.6% | 5.1% | 88 |
| Varken | Varkensspareribs | 3.5% | 12.6% | 71 |
| Varken | Rugspek | 2.4% | 4.2% | 52 |
| Varken | Varkenshaas | 2.1% | 13.9% | 49 |
| Varken | Varkensschenkel | 1.3% | 9.1% | 38 |
| Rund | Dunne lende | 5.9% | 9.4% | 88 |
| Rund | Ossenhaas | 5.2% | 10.8% | 83 |
| Rund | Rib-eye (rund) | 4.8% | 9.9% | 72 |
| Rund | Chuck roll (rund) | 3.6% | 7.2% | 51 |
| Rund | Bovenbil (rund) | 3.1% | 6.1% | 46 |
| Rund | Runderborst | 2.6% | 8.3% | 39 |
| Rund | Kogel (rund) | 1.8% | 5.7% | 32 |
| Pluimvee | Kipfilet | 6.4% | 4.9% | 157 |
| Pluimvee | Kippenbouten | 4.9% | 3.8% | 109 |
| Pluimvee | Kippenvleugels | 3.2% | 6.7% | 74 |
| Pluimvee | Kalkoenborst | 2.6% | 5.5% | 63 |
| Pluimvee | Eendenborst | 1.9% | 9.6% | 41 |
| Lam en kalf | Lamsbout | 3.1% | 10.4% | 58 |
| Lam en kalf | Lamsrack | 2.4% | 14.1% | 44 |
| Lam en kalf | Lamsschouder | 2.0% | 8.2% | 39 |
| Lam en kalf | Kalfslende | 1.5% | 9.0% | 34 |
| Lam en kalf | Kalfsschenkel | 1.0% | 7.4% | 23 |
| Alle producten | 100% | 1,900 |
Zo’n grafiek ziet er gewoon uit, en zo hoort het ook. Dat is het vreemde aan dit verhaal. Niets erin is nieuwe informatie. Elke kilo, elke factuur, elke dag in het koelhuis stond al in BOSS. Het enige wat ontbrak, was overeenstemming over hoe de dingen heetten.
Ik ben gaan denken dat veel van wat een handelsdesk weet op deze manier verborgen zit: niet in gegevens die niemand heeft, maar in namen die niemand met elkaar heeft verzoend. Een naam is geen product. Het is hoe iemand het product op één dag noemde, in één taal, voor één koper. Voor de mensen die ze typten, waren de namen volkomen duidelijk. Alleen het rapport kon ze niet lezen.
Op de regel staat nog steeds BONFILE 2-3 kg. We hebben het niet verbeterd, en dat gaan we ook niet doen; het is wat de verkoper schreef. Ernaast staat nu een lezing, en vóór die lezing was er een vraag, die een van onze handelaren beantwoordde. In al die tijd dat we die lijst hadden bijgehouden, was het de eerste keer dat de lijst ons iets vroeg.