0/5

Александр Грицай, Forecast NOW!: «Наши прогнозы дают ритейлеру реальную возможность управлять рисками»

Александр Грицай, Forecast NOW!: «Наши прогнозы дают ритейлеру реальную возможность управлять рисками»
время публикации: 10:00  26 июня 2019 года
В конце прошлого года были приняты поправки в закон о торговле, согласно которому торговые сети лишались права возвращать производителям остатки непроданных товаров со сроком годности до 30 дней – мясные, рыбные и молочные продукты, хлебобулочные изделия.

По оценкам, приводившимся в ходе обсуждения закона, «обратно» отправлялись около 30% мяса, до 50% хлеба. В итоге потери одних только пекарей достигали 80 миллиардов рублей в год. Поправки вступили в силу 6 июня.

Для того, чтобы эти убытки не легли на плечи ритейлеров, и без того работающих на остроконкурентном рынке, им необходимо принципиально улучшить прогнозирование спроса. Ведь одинаково обидно и получить убытки от наличия нераспроданной продукции с истекшим сроком хранения и недополучить прибыль от отсутствия востребованных товаров на полке. Свое решение проблемы предлагает компания Forecast NOW!, одноименная разработка которой позволяет ритейлерам и дистрибьюторским компаниям рассчитывать оптимальные размеры закупок всего продуктового ряда.

О возможностях решения Forecast NOW! рассказывает генеральный директор компании Александр Грицай.

***

Что умеет ваше решение, для чего оно предназначено?

Forecast NOW! – это система управления товарными запасами, которая позволяет прогнозировать спрос и определять оптимальное количество единиц товара, которое нужно иметь в магазине, в сети магазинов или на складе у дистрибьютора. Отличие нашего решения в том, что оно не просто говорит, что нужно иметь столько-то единиц товара, оно оценивает различные риски. В том числе – риск списания просроченной продукции. 

Задача нашей программы – найти баланс для ритейлера или дистрибьютора между тем, что он закажет меньше, чем мог бы продать – и недополучит прибыль, и закажет больше – и часть товара придется списать.

Еще один важный момент – наша система умеет партионно учитывать сроки годности. Пока немногие ритейлеры таким учетом пользуются, но, по всей видимости, за ним будущее. 

Это означает, что наша система может при моделировании «держать в голове», например, что у нас есть несколько партий товара. У одной партии оставшийся срок годности 10 дней, у второй – 20 и так далее. Наше решение может показать, какой будет финальный остаток, с каким остаточными сроками годности, какой товар испортится и будет списан.

Александр Грицай, Forecast NOW!: «Наши прогнозы дают ритейлеру реальную возможность управлять рисками»
 
На основании каких данных делаются прогнозы?

На вход мы подаем статистику магазина по продажам и остаткам. Эти данные проходят предобработку. Потому исходные данные «зашумлены», например, проведением промо-акций, которые на короткое время резко поднимают продажи — но это не значит, что нужно заказывать столько же единиц товаров и в обычное время.

И, наоборот, нужно очистить данные от падения продаж в период дефицита.

Все это система должна автоматически детектировать, фильтровать историю продаж и превращать ее в историю очищенного спроса, так называемую базовую линию, на основании которой раскроется вероятностный прогноз.

А, например, погодные условия — «грядет необычная жара, надо больше, чем обычно, мороженого» – такие факторы в системе учитываются?

Нет, мы принципиально такие факторы не учитываем. Прогнозы погоды, даже на несколько дней, слишком неточны. Плюс ко всему, включение таких произвольных факторов ведет к тому, что нам надо существенно усложнять модель. Мы начинали как раз со сложных моделей нейронных сетей, искусственного интеллекта, генетических алгоритмов. Эти методы – сети, системы машинного обучения, позволяют добавлять неограниченное количество факторов.

Проблема систем, основанных на искусственном интеллекте, во-первых, в том, что они, фактически, представляют собой «черный ящик», из которого нельзя вытащить информацию о том, почему получен тот или иной результат. Люди, которые работают с системой, не могут ее проверить, и, соответственно — довериться выдаваемым ею результатам. 
Мы оцениваем не одну реальность, а сразу множество, – будущее не предопределено, оно случайно, часто не предсказуемо. Поэтому система полмиллиона раз проводит моделирование с параметрами конкретного товара, конкретного магазина и показывает вероятность того или иного развития событий.

Второй момент – эти системы сложны в эксплуатации и настройке, требуют наличия специалистов – аналитиков. Поэтому это, с одной стороны, увеличивает штат и с другой стороны при росте ассортимента мы должны постоянно эти модели донастраивать, а это и время и деньги. 

Ну и, наконец, у таких систем множество проблем, которые проявляются на больших объемах  данных. Они плохо работают с редким спросом, и часто могут давать неверные ответы там, где количество данных слишком велико.

А в принципе контекст, какие-то события система учитывает? Матчи чемпионата по футболу, например?

Повторяющиеся события — разумеется, система будет помнить, что такие события уже были и учитывать их. Если же события разовое, скажем — матч чемпионата мира по футболу, то нет, потребуется экспертная оценка специалиста о том, какого роста выручки можно ожидать по тем или иным позициям.

Если вы не используете нейронные сети и машинное обучение, то как работает ваша система?

Она работает на вероятностных моделях прогнозирования. У классических подходов, которые пришли к нам из статистики, которые считают по средним продажам, ответ на вопрос «сколько завтра продадим» будет одна цифра – «15 штук». В лучшем случае – «завтра будет продано 15 плюс страховой запас 7 штук с доверительным интервалом в 95%».

Вероятностные модели работают иначе, они моделируют спрос, и для каждой позиции создают свою вероятностную модель. Она берет данные и проводит моделирование, скажем 500 тысяч раз, и суммирует полученные результаты. 

Какая-то квантовая теория в действии…

Да, что-то есть. И чем это хорошо? Мы оцениваем не одну реальность, а сразу множество, – будущее не предопределено, оно случайно, часто не предсказуемо. Поэтому система полмиллиона раз проводит моделирование с параметрами конкретного товара, конкретного магазина и показывает вероятность того или иного развития событий. 

В результате у нее получается, что 10 тысяч раз из 500 тысяч мы продали столько-то, 20 тысяч раз — столько-то и так далее. И, мы получаем не одно число в виде оценки, что «вы продадите на следующей неделе 10 тысяч единиц плюс-минус 5 тысяч», вы получаете уже оценки, что «10 тысяч единиц будет продано с вероятностью 5%, 15 тысяч – с вероятностью 15%» и так далее.

Александр Грицай, Forecast NOW!: «Наши прогнозы дают ритейлеру реальную возможность управлять рисками»
 
Что дает такой прогноз ритейлеру?

Он дает возможность управлять рисками. 

Поясню на примере прогноза погоды. Классические модели, да и нейронные сети, выдадут прогноз типа «дождя не будет». 

Вы поверили — и попали под дождь. А вероятностный прогноз выглядит так: «60%, что будет солнечно, 30% – что облачно, 10% – дождь и гроза». И вы сами решаете — брать зонт, большой или маленький, 10% возможности попасть под дождь — это критично или нет. 

Аналогично, имея набор вероятных объемов спроса, мы можем понять, сколько нам товара нужно поддерживать, чтобы обеспечить тот или иной процент удовлетворения спроса. А дальше финансовая система считает, какой процент нам обеспечивает наивысшую рентабельность.




Читайте также: Прогнозирование складских запасов методами машинного обучения




Как ваша система встраивается в ИТ-инфраструктуру клиента?

Она берет данные из любой популярной учетной системы – «1С», SAP, «СуперМаг», «Астор», у нас со всеми есть интеграция. Ночью данные из учетной системы автоматически загружаются в нашу Forecast NOW!, запускаются расчеты заказов. С утра пользователи приходят, все посчитано.

Для настройки нейронных сетей нужны специалисты, а кто работает с вашей системой на стороне ритейлера?

Обычно специалисты по управлению товарными запасами, но они должны быть специалистами в своей области. Поэтому мы часто проводим для сотрудников заказчика дополнительное обучение, поскольку теоретических знаний им часто не хватает, скажем, что такое уровень сервиса, чем уровень сервиса первого рода отличается от второго рода и так далее. 

Это все термины из управления запасами, не из математической статистики и не из машинного обучения и искусственного интеллекта. Людям не нужно изучать «чужую» предметную область, им нужно изучить хорошо свою. 

Александр Грицай, Forecast NOW!: «Наши прогнозы дают ритейлеру реальную возможность управлять рисками»
 
В каких вариантах существует система?

Заказчик может купить ее и установить у себя в центре обработки данных, в цену входит годовая поддержка и обновления. Также заказчик может воспользоваться нашей системой по подписке в облачной версии. Такой вариант бюджетнее и вызывает достаточно высокий интерес, ведь бизнесу не нужно вынимать сразу большую сумму из оборота.
Имея набор вероятных объемов спроса, мы можем понять, сколько нам товара нужно поддерживать, чтобы обеспечить тот или иной процент удовлетворения спроса. А дальше финансовая система считает, какой процент нам обеспечивает наивысшую рентабельность.

Для руководителей у нас есть отдельный сервис, веб-страница, которая доступна и с мобильного в том числе. На ней отображаются ключевые показатели для руководителя – о том, какой у него сейчас средний остаток, какая доля неликвидов, какая доля сверхзапасов, сколько упущенной прибыли.

Насколько масштабируемо решение, какое количество магазинов и товарных позиций оно способно обслуживать?

У нас сейчас есть сети, одна в России и одна на Украине, в которых по 400-500 торговых точек и в каждой по 30-50 тысяч наименований продукции. Сейчас запускаем проект с «Татнефтью», у которой при АЗС, а их более 600, есть магазины. Проблем с масштабом не видим.

Ограничения связаны только с вычислительными мощностями сервера. Потому что, грубо говоря, у нас есть шесть часов на расчеты, чтобы, когда на работу придут сотрудники прогноз был уже готов.

Оценивался ли эффект внедрения Forecast NOW! в числовом виде?

Разумеется. Навскидку  в сети магазинов новосибирской сети после внедрения решения Forecast NOW! на 20% уменьшились товарные запасы в магазинах, почти на столько же выросла оборачиваемость товаров. У автодилера по продукции Renault на 33% упал объем неликвидов, а по продукции Citrioen  на 45%. Эти результаты достигнуты за несколько месяцев эксплуатации системы. После вступления в силу поправок к закону, о которых мы говорили в самом начале, эффект, особенно для компаний, связанных с торговлей скоропортящимися продуктами, станет еще очевиднее.

Цифры впечатляют. Планируется ли географическая экспансия?

Мы сейчас ведем пилотные проекты в США и во Франции. В этих странах проблемы с нахождением оптимального баланса между закупками и продажами тоже очень актуальны. И в такой обстановке мы видим интерес со стороны зарубежных игроков к нашему решению и к нашим методам работы.

С Александром Грицаем, генеральным директором компании Forecast NOW! общался Дмитрий Гапотченко. 

0
Реклама на New Retail. Медиакит