Как внедрить решение прогнозирования спроса методами машинного обучения?

Анна Племяшова, руководитель Департамента аналитики больших данных и искусственного интеллекта Beltel Datanomics.

Среди технологий для ритейла все чаще упоминаются искусственный интеллект, алгоритмы машинного обучения и их эффективность для прогнозирования спроса. Как внедрить такие решения, какие данные потребуются, каких результатов ожидать и в какие сроки? 


Как работает машинное обучение

Основное отличие от традиционного анализа — это не программирование алгоритма, а обучение модели решать обозначенную задачу на предоставленных данных. Такие алгоритмы называются алгоритмами машинного обучения (Machine Learning, ML), и они начинают вытеснять существовавшие до сих пор подходы к аналитике.  

Требование для реализации задач методами машинного обучения — это наличие определенного набора исторических данных для обучения модели с глубиной хранения в зависимости от реализуемого решения.

В чем преимущество технологии, какие данные нужны, за какой период, какого эффекта ожидать – разберемся на примере прогнозирования спроса для целей автозаказа. 


Преимущества ML алгоритмов для прогнозирования спроса

Алгоритмы машинного обучения позволяют построить взаимосвязи между различными данными и множеством признаков, а развитие облачных вычислений делают доступным подобные решения не только для крупных корпораций, но и для компаний среднего и малого бизнеса. 

Ритейлеры, внедрившие прогнозирование методами машинного обучения, выделяют следующие преимущества ML алгоритмов:

• Увеличение точности прогноза.
  Точность прогноза в товарной категории достигает 95%, а средний показатель улучшения качества прогноза по сравнению с традиционными алгоритмами составляет 15-20 пунктов. 
  
  
• Автоматический прогноз объемов товара на акцию.
  ML алгоритмы позволяют отказаться от ручной корректировки объемов товара при планировании акций.
  
  
• Адаптивность алгоритмов.
  В ситуации нестабильного спроса из-за эпидемии коронавируса ML алгоритмам достаточно недели для адаптации к изменению в потреблении. 
  

 

Улучшение точности системы автозаказа

Низкая точность системы автозаказа приводит к перезатарке и снижению ликвидности, а иногда, наоборот, дефицитам и отсутствию товаров на полке, как следствие, снижению лояльности покупателей. 

В основе решения автозаказа лежит формула планового заказа:

Плановый заказ = Прогноз продаж + Страховой запас – Остатки на начало

Остатки на начало – величина известная, страховой запас, как правило, рассчитывается из размеров полки, соответственно, чтобы увеличить точность автозаказа надо работать с прогнозированием продаж или спроса. 

Задачу по реализации системы автозаказа можно разделить на два этапа:

1. Формирование прогноза продаж, используя алгоритмы машинного обучения 
2. Создание системы автозаказа (постобработка, согласно приведенной выше формуле).

Если система автозаказа у ритейлера уже есть, то прогнозирование спроса методами машинного обучения можно интегрировать в существующую систему.  

Для пилотного проекта, как правило, выбирают 1-2 магазина и несколько категорий. 




Какие данные потребуются

Набор данных для построения модели прогнозирования спроса зависит от структуры и набора аналитических признаков, которые поддерживает компания, но минимальные требования все же существуют. 

Для построения модели машинного обучения потребуются исторические данные с глубиной хранения не менее чем за 2 года. Такое требование связано с зависимостью спроса от сезонов, поэтому важно иметь данные за два повторяющихся цикла. 

Для реализации должны быть получены:

• Справочники товаров
• Справочники магазинов
  
• Данные по чекам
  
• История акций
  
• История возвратов, уценок, списаний
  
• Данные по остаткам
  

Как показывает наш опыт разработок систем прогнозирования спроса, наибольшую сложность вызывает предоставление разметки продаж на акции и уценки. Подобная информация часто хранится разрозненно, иногда данные по акциям просто отсутствуют и приходится восстанавливать и размечать историю продаж на акции вручную. Акции – важный признак для построения модели машинного обучения, поэтому целесообразно собирать и хранить информацию об их проведении.

Формат данных о проведении акций может быть примерно следующий:

• ID магазина
• ID товара
  
• Дата начала акции
  
• Дата конца акции
  
• Тип акции (если есть)
  
• Базовая цена
  
• Размер скидки или цена на акцию 
  

На разработку модели и ее тестирование потребуется примерно 1.5-2 месяца. 

После построения модели, тестирования и оценки результата принимается решение о масштабировании. 

---

Читайте дальше: Как сбыть товарные остатки в кризис. Часть 2, практическая

---

Что дальше? Как работает система автозаказа

Сама прогнозная модель законченным решением не является – это необходимое ядро системы. Для того чтобы внедрить систему автозаказа в бизнес-процесс, необходимо наладить регулярную выгрузку данных. Для этого создается сервис, осуществляющий прием, передачу данных между ПО ритейлера, например, 1С, моделью и облачным хранилищем данных. 

Если система автозаказа у ритейлера уже существует, тогда система прогнозирования будет передавать данные о планируемых продажах в интегрированное ПО. Если систему автозаказа нужно реализовать «с нуля», то согласно техническим требованием можно выполнять различные способы предоставления информации для отдела закупок: веб-интерфейсы с таблицами заказов и графиками, рассылки на е-мейл форм заказов, с уведомлениями в мессенджеры - современные облачные технологии и сервисы позволяют реализовывать различные сценарии.  


Результат

Успех в реализации проекта прогнозирования спроса методами машинного обучения зависит от качества данных, дисциплины их сбора и хранения. 

Из нашего опыта, а также публикаций в СМИ можно выделить несколько показателей:

• Увеличение продаж на 6% за счет наличия товара на полке и снижения недозакупок;
• Уменьшение количества списаний и уценок товаров на 20%, внеплановых распродаж;
  
• Увеличение продаж в период акций на 15% за счет точного планирования объемов закупок на акцию и наличия товара на весь период акции.
  

Кроме того, внедрение интеллектуальных систем позволяет переложить рутинные процессы с человека на искусственный интеллект, а человеческий ресурс направить на решение творческих задач и развитие бизнеса. 

Анна Племяшова, 
руководитель Департамента аналитики больших данных и искусственного интеллекта 
Beltel Datanomics

для New Retail