0/5
Как внедрить решение прогнозирования спроса методами машинного обучения?

Как внедрить решение прогнозирования спроса методами машинного обучения?

Как внедрить решение прогнозирования спроса методами машинного обучения?
И какую пользу бизнесу оно принесет?
Анна Племяшова
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. 

    Как внедрить решение прогнозирования спроса методами машинного обучения?


    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



    время публикации: 10:00  29 мая 2020 года
    0
    Теги: информационные технологии


    Реклама на New Retail. Медиакит
    Подпишитесь на новости ритейла

    Согласен с политикой конфиденциальности