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:
Возможности модели:
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.
При наличии достаточного количества данных средняя точность суточного прогноза составляет 85-90%.
За счет повышения точности планирования спроса уровень запасов сокращается на 15-20%.
Несмотря на сокращение уровня запасов, применения ML-решения позволяет сократить случаи отсутствия товаров на полках на 30-40%.
2020. Н-СИСТЕМС
Политика обработки данных