0/5
Как машинное обучение помогает найти баланс между спросом и поставками

Как машинное обучение помогает найти баланс между спросом и поставками

Как машинное обучение помогает найти баланс между спросом и поставками
И как выбрать правильный уровень представленности товара на полке, который будет оптимальным для ритейлера, и при этом устроит клиента? Есть несколько бизнес-стратегий, для каждой из которых подход к закупкам может существенно отличаться.
Как машинное обучение помогает найти баланс между спросом и поставками
Денис Абитов, эксперт по анализу данных департамента аналитических решений ГК «КОРУС Консалтинг»

Работа над операционными издержками в закупках, а именно оценка будущего потребительского спроса и расчет требуемого запаса, – одна из самых сложных для любого ритейлера, будь то сеть продуктовых магазинов или модный бутик. 

В крупной торговой сети потери, связанные со списанием просроченного товара или, наоборот, с упущенной прибылью из-за нехватки товара на полках, могут достигать сотен миллионов рублей в месяц. 

Над поиском баланса между потенциальными рисками нехватки или избытка товара и неопределенностью спроса трудятся целые отделы, но оптимизировать издержки удается далеко не всегда. Рассказываем, как решить эту задачу с помощью технологии машинного обучения. 


Противостояние закупок и спроса

Ритейлеры формируют необходимый запас для удовлетворения спроса покупателей, приобретая у поставщиков оптовые партии товара напрямую или через распределительные центры. При этом магазин постоянно сталкивается с двумя рисками: нехватки или избытка товара. 

При нехватке товара магазин теряет прибыль от продаж. Клиенты не находят интересующий товар на полке, их лояльность снижается: они уходят за «любимой зубной пастой» к конкуренту.

Избыток товара приводит к проблемам в логистике, связанным с хранением и распределением. Если магазин работает со скоропортящимися товаром, его ждут издержки на списание и утилизацию испорченной продукции. Ритейлеру приходится производить уценку залежавшегося товара, чтобы освободить полки для новых партий. Оборотные средства компании, на которые можно было приобрести новый товар, замораживаются.

Все это в сумме – колоссальная потеря прибыли.

Было бы хорошо, если бы можно было точно спрогнозировать товарооборот, но идеального прогноза в ритейле не бывает. Конкурент запустил агрессивную рекламу, массивные кроссовки вышли из моды, зимой не выпал снег – и ситуация на рынке резко изменилась.

Но неопределенность существует не только со стороны спроса, но и со стороны поставок. Поставщик может задержать поставку, привезти не весь заказанный объем, или поставить товар ненадлежащего качества. 

Всё это приводит к тому, что найти баланс между рисками нехватки и избытка товара – чрезвычайно сложная задача.

Как машинное обучение помогает найти баланс между спросом и поставками


Лабиринт сценариев

Так как даже самая сложная система не может идеально предсказать объем продаж и ошибки поставщиков, эти параметры всегда колеблются относительно средних показателей. Это можно сравнить с уровнем воды в заливе, который рассчитывается без учета колебаний в периоды прилива, отлива и сезона дождей. Но когда мы строим дамбу, то возводим ее не на средний уровень воды, а на максимальный. Страховой запас – это аналог дамбы, разница между средним и максимально возможным уровнем спроса. 

Но здесь возникает вопрос: действительно ли важно в ритейле выдержать «максимальную волну» – удар от потребительского спроса и уровня неопределенности от поставщиков? Какой уровень представленности товара на полке будет оптимальным для ритейлера и при этом устроит клиента?  Ответ на этот вопрос не всегда очевиден и зависит от многих факторов: стадии развития бизнеса, текущих бизнес-задач, категории товаров.

Есть несколько бизнес-стратегий, для каждой из которых подход к закупкам может существенно отличаться. 

Если вы запускаете крупный интернет-магазин и находитесь на стадии раскрутки и возврата инвестиций, вам необходимо реализовать максимальный объем товара. В данном случае самым большим риском становится упущенная выручка от продаж. Соответственно, нужно сформировать максимально возможный объем запасов, учитывая финансовые и логистические ограничения. 

Если ваш бизнес более зрелый, перед вами стоит задача по оптимизации процессов и повышению операционной эффективности. Тогда вы стремитесь минимизировать залежи на складе, чтобы избежать убытков из-за уценки и списаний.

На стратегии накладываются другие факторы: формат магазина, категория товара, сезонный спрос, количество поставщиков. Все эти факторы уже оцифрованы ритейлерами и представлены в виде баз данных статистики за несколько лет. Теперь их нужно грамотно обработать и наложить на необходимый сценарий. Правильная обработка ретроспективных данных поможет спрогнозировать, какая именно тактика закупок будет наиболее эффективной в тот или иной момент, учесть все риски неопределенности со стороны спроса и поставок и предложить оптимальный план действий.


Превосходство искусственного интеллекта

Программный продукт способен оценить неопределенность спроса и благодаря этому оптимизировать закупки эффективнее, чем просто расчет по средним показателям, если использовать для этого технологию машинного обучения. В таком случае система оценит не средние продажи, а все возможные потенциальные сценарии. 

Мы оперируем теми же статистическими данными ритейлера: объем продаж, история продаж данного и заменяющих товаров, плановые цены, графики поставок – и рассчитываем для каждого потенциального сценария вероятность его наступления и маржинальность. В таком случае страховой и средний запасы формируются исходя из желаемого сценария. Мы идем от экономики и оцениваем разные варианты спроса и разные бизнес-стратегии. Добиться меньшего количества списаний или больших продаж? Теперь менеджеры по закупкам легко могут проследить, насколько выгоден будет тот или иной сценарий применительно к определенному поставщику или группе товаров. 

Превосходство применения алгоритмов в сравнении со «старомодной» системой формул очевидно. Например, в одном из пилотных проектов с крупной платформой по доставке продуктов питания мы сфокусировались на оптимизации закупок скоропортящихся продуктов (овощи и фрукты, молочная и мясная гастрономия, мясо и птица) – на них приходилось более 70% всех списаний и уценок. 




Читайте также: Как искусственный интеллект помогает российским ритейлерам стать ближе к клиентам




Применение методов машинного обучения уменьшило списание товара на 20% и сократило случаи отсутствия товара в наличии на 8% – и это только начало. В зарубежной практике уже есть примеры эффективности метода: например, благодаря похожему решению ритейлер цифровой техники сократил срок оборачиваемости товара на своих складах на 20% и на столько же снизил затраты на хранение запасов, а продуктовая сеть сократила out-of-stock на 75%. Неудивительно, что оптимизация закупок с помощью методов машинного обучения востребована. 

С проблемами неопределенности спроса и поставок сталкиваются магазины электроники, модные бутики и другие категории торговых сетей. Система, работа которой основана на технологиях машинного обучения, способна учесть специфику каждого из бизнесов, предложив наиболее эффективные и маржинальные сценарии.


С чего начать

Торговой сети, готовой к использованию новых технологий в процессе закупок, мы рекомендуем начать с постановки конкретных бизнес-целей и разработки методики измерения коммерческих показателей, которые необходимо улучшить. Все понимают, что при недостатке и переизбытке товара увеличиваются издержки – но как их измерить, оцифровать, соотнести с глобальными целями сети, задумываются немногие. Если ритейлер начнет собирать и анализировать эти данные, то со временем он научится грамотно ими управлять и более взвешенно оценивать риски. 

Поэтому прежде, чем начать внедрение решений по оптимизации закупок, стоит поинтересовать целями этой оптимизации, изучить бизнес-процессы, определить методику расчета рисков. После этого, как правило, выбирается участок для тестирования решения – ограниченный перечень торговых точек или определенная категория товаров, – и на нем пилотируется решение. По результатам пилотного проекта смотрим, насколько эффективным будет развертывание решения на всю торговую сеть.

Денис Абитов, 
эксперт по анализу данных департамента аналитических решений ГК «КОРУС Консалтинг»


время публикации: 10:00  15 апреля 2020 года
0


Комментарии (0)


Чтобы оставить комментарий, Вам необходимо авторизоваться:  
Реклама на New Retail. Медиакит
Подпишитесь на новости ритейла

Согласен с политикой конфиденциальности

Реклама на New Retail. Медиакит