0/5

3 вопроса, с которых нужно начать улучшения в области прогнозирования и планирования спроса

3 вопроса, с которых нужно начать улучшения в области прогнозирования и планирования спроса
время публикации: 10:00  24 февраля 2021 года
Правильное прогнозирование и планирование спроса – важнейшие элементы успешной торговли, и с усилением конкуренции их важность растет. Если вы не знаете, с чего начать улучшения в этой области, мы предлагаем вам три вопроса, ответы на которые сделают процесс более понятным.
3 вопроса, с которых нужно начать улучшения в области прогнозирования и планирования спросаДжессика Кертис, SAS Retail & CPG Practice.

Пандемия коренным образом изменила покупательское поведение и клиентский опыт. Онлайн-покупки, возможность самовывоза, доставка сегодня и желательно бесконтактно – это уже необходимость, а не просто преимущество бренда с точки зрения взаимодействия с клиентами. Потребители привыкли к качественному обслуживанию как в магазине, так и в интернете. И если их ожидания не оправдываются – один свайп в телефоне, и они уже делают покупки у другого розничного магазина – вашего конкурента.

Возрастающее давление конкурентов заставляет ритейлеров изо всех сил улучшать процессы прогнозирования и планирования спроса, потому что сегодня точность и эффективность этих процессов имеет значение для повышения прибыльности и улучшения обслуживания клиентов. 

Если вы не знаете, с чего начать улучшения в области прогнозирования и планирования спроса, мы предлагаем ответить вам на три вопроса:

1. Можете ли вы автоматизировать и масштабировать систему до enterprise-уровня?

Расширенные возможности прогнозирования и планирования спроса влияют на несколько ключевых точек принятия решений в каждой розничной организации. Ритейлерам требуются подробные и точные прогнозы, чтобы:

● Планировать востребованный ассортимент SKU с правильным количеством, глубиной и широтой выбора.

● Принимать решения о выгодных инвестициях в товарно-материальные запасы.

● Обеспечивать удовлетворение спроса клиентов товарами в рамках комплексной цепочки поставок. 

● Эффективно распределять рабочую силу по каждому распределительному центру и магазину.

● Создавать оптимизированные ценовые и рекламные стратегии.

Эффективный кросс-канальный подход требует согласованности действий и взаимосвязанности при планировании спроса по всем вышеупомянутым бизнес-решениям. Наличие единой платформы, которая может решать множество различных задач прогнозирования, помогает обеспечивать согласованность между товарными цепочками, цепочками поставок и операциями.

В то время, когда жизненно важно делать больше с меньшими затратами, автоматизация и масштабируемость являются ключевыми процессами для решения любых задач крупномасштабного прогнозирования и планирования спроса. Автоматизированное статистическое прогнозирование повышает эффективность процессов бизнес-прогнозирования и облегчает истинное управление на основе исключений. Это освобождает время для того, чтобы сосредоточиться на бизнес-планировании и расширении процессов прогнозирования в новых областях.

Благодаря автоматизации розничные компании могут масштабироваться для множества различных сценариев использования прогнозирования вплоть до самых низких уровней детализации – до уровня, на котором выполняются прогнозы и принимаются бизнес-решения.

2. Можете ли вы делать больше с помощью углубленных методов статистического прогнозирования?

Началом любого пути к enterprise-прогнозированию является аналитика на основе данных. Ритейлеры должны иметь возможность прогнозировать любую переменную – от единиц продаж и денег до трафика в магазине и количества случаев, проходящих через распределительные центры. Чтобы сбалансировать стратегические и тактические решения, необходимы точные долгосрочные, среднесрочные и краткосрочные прогнозы спроса.

3 вопроса, с которых нужно начать улучшения в области прогнозирования и планирования спроса

Углубленные методы статистического прогнозирования учитывают влияние неограниченного числа причинно-следственных переменных и количественно определяют ключевые факторы спроса. Причинно-следственные переменные отражают как внутренние, так и внешние факторы, такие как цена, рекламные акции, погода, эпидемиологические модели и данные социальных сетей. Количественная оценка влияния этих переменных обеспечивает инсайтами для принятия более эффективных решений и повышает прозрачность прогнозных моделей. Это помогает:

● Проактивно формировать спрос с помощью нескольких сценариев «что, если» и быстро оценивать влияние потенциальных инициатив или неожиданных событий.

● Повышать качество обсуждений ИТ-специалистов с бизнес-пользователями, лучше объясняя из чего состоит прогноз, чтобы в конечном итоге стимулировать еще большее принятие прогнозов.

Каждая задача инкрементального прогнозирования расширяет объемы данных и увеличивает сложность. Для повышения точности необходим широкий спектр аналитических методов и алгоритмов – временные ряды, машинное обучение и ансамбль.

Розничным компаниям больше не нужно полагаться на высококвалифицированный прогноз, который вручную дезагрегирован на более низкие уровни. Теперь можно независимо создавать прогнозы на каждом уровне иерархии продуктов/местоположений, используя уникальные модели для каждого временного ряда, чтобы улавливать нюансы спроса по мере повышения уровня детализации. Затем прогнозы могут быть автоматически согласованы и выровнены вверх и вниз по иерархии планирования.

При прогнозировании на детализированном уровне, таком как SKU/магазин, неизбежно возникают большие различия в характеристиках спроса по всему портфелю продуктов. Например, некоторые продукты являются сезонными, в то время как другие продаются только периодически с непостоянным спросом. Паттерны спроса можно охарактеризовать как сезонные, периодические, короткие и т.д., чтобы применить уникальный подход прогнозного моделирования к каждому сегменту спроса.

Универсального подхода к прогнозному моделированию недостаточно. Для получения точных результатов вам нужны наиболее подходящие модели, использующие различные методы моделирования и стратегии преднамеренного моделирования.




Читайте также: Как внедрить решение прогнозирования спроса методами машинного обучения?




3. Можете ли вы создать единый, повторяемый рабочий процесс?

Внедрение эффективного enterprise-прогнозирования и планирования спроса – это не только про моделирование. Это лишь одна часть уравнения. Эти процессы также касаются создания единого, повторяемого рабочего процесса для дата-сайентистов, прогнозных аналитиков и бизнес-пользователей.

Прогнозы не имеют значения, если они не используются при принятии решений, поэтому статистические прогнозы необходимо легко интегрировать в последующие системы планирования и исполнения. Статистические прогнозы служат барометром для определения рисков и возможностей в отношении планов продаж, предлагая при этом объективную отправную точку для планирования, чтобы затем специалисты использовали свои бизнес-знания и приняли верное решение. В результате производительность специалистов, планирующих дальнейшие шаги, будет повышена, управление запасами улучшено, понимание драйверов спроса и поведения потребителей также вырастет.

Будущее в ритейле

В будущем розничной торговли есть как возможности, так и неизвестность. Ритейлерам следует применять устойчивый подход к прогнозированию и планированию спроса для более эффективного принятия решений на уровне enterprise. Этот подход должен быть автоматизированным и гибким, позволять видеть драйверы бизнеса, помогать управлять сложностями и повышать эффективность процессов.

Благодаря повторяемым процессам прогнозирования розничные компании смогут быстро реагировать на поступление новых данных. С помощью оптимизированных прогнозных моделей они смогут принимать совместные решения и сразу же понимать последствия для последующих этапов. Это ставит ритейлеров на путь долгосрочной прибыльности и роста.

* * *

Об авторе: Джессика Кертис уже более 13 лет помогает организациям повышать ценность бизнеса с помощью прогнозирования, планирования и оптимизации спроса. В SAS она помогает розничным клиентам и клиентам CPG решать их бизнес-задачи с помощью data-driven аналитики.

New Retail


0
Реклама на New Retail. Медиакит