Прогнозирование продаж

Правильное планирование продаж до уровня отдельного SKU является одним из главных факторов управления рентабельностью торговых организаций. Излишки товара приводят к замораживанию оборотных средств в ненужных запасах, а отсутствие товара на полках приводит к снижению продаж и упущенной выгоде.

Современные методы прогнозирования, основанные на технологиях машинного обучения, позволяют ритейлерам обеспечить баланс между объемом закупок и продажами товаров.

Повышение точности прогнозирования положительно влияет на ряд процессов:

• финансовое планирование и целеполагание;
• управление ассортиментом;
• ценообразование и планирование промо;
• оптимизация товарных запасов на всех узлах логистической цепи;
• открытие новых точек.

Возможности модели

• Модель позволяет с высокой точностью предсказывать величину дневных/недельных продаж отдельных товаров в будущем с учетом большого количества факторов (внутренних и внешних)
• Модель рассчитывает оптимальный уровень запасов и периодичность их пополнения

Для качественных предсказаний нужны данные: продажи и остатки; справочники и описания товаров; данные по изменению цен; истории потребления данного товара; календарь промоакций; регион продаж; дни выдачи заработной платы; действия конкурентов и др.

Все эти данные должны быть максимально полными и достоверными.

Реализация модели

Модель машинного обучения позволяет прогнозировать точное количество необходимых складских запасов и объема отгрузок поставщиками с детализацией до 1 часа.

1 ЭТАП

Анализ исторических данных о продажах и сопоставление их с изменением различных внутренних и внешних факторов. На этом этапе модель выявляет значимые для прогнозирования факторы и взаимосвязи между ними.

2 ЭТАП

Формирование прогноза спроса на отдельные виды товаров и расчет потребности с учетом активных и планируемых товарных промоакций, календарных событий и иных факторов.

3 ЭТАП

Автоматизированный расчет пополнения товарных запасов с учетом минимального, максимального и страхового запаса, открытых позиций, условий упаковки, маршрутов доставки, доступности торгового оборудования.

Результаты внедрения

Модель позволяет значительно усовершенствовать процессы управления ассортиментом, планирования запасов и ценообразования.

• ВЫСОКАЯ ТОЧНОСТЬ

При наличии достаточного количества данных средняя точность суточного прогноза составляет 85-90%.

• СОКРАЩЕНИЕ ЗАПАСОВ

За счет повышения точности планирования спроса уровень запасов сокращается на 15-20%.

• СНИЖЕНИЕ OUT-OF-STOCK

Несмотря на сокращение уровня запасов, применения ML-решения позволяет сократить случаи отсутствия товаров на полках на 30-40%.