От «Ой» до AI: как ИИ помогает ритейлерам принимать бизнес-решения на основе прогнозов

Как и во многих других отраслях, технологии искусственного интеллекта – это настоящий катализатор изменений. И пока некоторые боятся потерять рабочие места или застать всеобщее порабощение человечества, некоторые индустрии уже видят в ИИ-технологиях множество возможностей для своего бизнеса. 

В ритейле, например, с помощью ИИ уже трансформируют покупательский опыт, оптимизируют производство и закупки, улучшают условия труда для своих сотрудников. Возможности для решения стратегических задач и принятия тактических решений, которые открывают ритейлерам технологии на основе ИИ, действительно впечатляют. 

В этой статье ИИ-эксперты Сбер Бизнес Софт подробнее расскажут, какие возможности открываются перед ритейлерами, которые взяли инструменты на базе искусственного интеллекта на вооружение. 

Недостаток в данных – не самая главная проблема

Многие сейчас считают, что данные – «новая нефть». И сама по себе такая идея действительно правдива. Именно данные являются тем самым «топливом», которым насыщаются алгоритмы и на котором обучаются модели. Однако само по себе наличие больших данных – это, увы, не панацея. 

Бизнес сегодня обладает огромными массивами разрозненных данных, которые появляются из разных источников – от внутренних CRM, DMP, CDP-платформ и ERP-систем до открытых источников (так называемых OSINT). При этом далеко не все компании могут реально их обработать и интерпретировать и тем более получить из них ценные для бизнеса инсайты. 

К сожалению, большая часть этих информационных массивов просто хранится без какой либо обработки систематизации и анализа, формируя своеобразный аналитический «паралич данных». 

К этому стоит добавить, что в наше время традиционные решения для бизнес-аналитики уже не всегда способны «держать удар». Да, конечно, с их помощью все еще можно определить тренды или создать отчеты, но превратить сырые данные в действенные инсайты в реальном времени будет уже сложнее. 

Именно поэтому сейчас актуальнее говорить не просто о статистическом анализе данных, но и о системах для принятия решений с применением искусственного интеллекта – DSS, или по-русски СППР, которые активно используются в ритейле, где смена трендов и фактор сезонности особенно влияют на маржу, а сложные стратегические решения нужно принимать быстро и уверенно. 

Что такое СППР? 

Система поддержки принятия решений (СППР) – применение искусственного интеллекта и продвинутой аналитики данных в разных функциональных подразделениях компании с целью оцифровать, автоматизировать и улучшить процессы принятия решения. Принимаемые решения могут касаться совершенно разных аспектов деятельности компании и влиять на стратегические, тактические и операционные бизнес-решения. 

Какие возможности открываются перед ритейлерами?

С помощью предиктивных ИИ-технологий можно решать действительно насущные для индустрии ритейла проблемы, включая специфические для каждой сферы розничной торговли, например, специализированной розницы вроде книжных магазинов или спорттоваров, а также электронной коммерции. 

Особенное влияние предиктивные и другие ИИ-технологии оказывают на все процессы цепочки поставок. С помощью точных прогнозов можно принимать оправданные с точки зрения бизнеса решения и планировать объемы закупок товаров или материалов в зависимости от прогнозируемого спроса. Таким образом, возможно: 

● сократить возможные дефициты товаров на полках магазинов;

● контролировать расходы на хранение товаров; 

● обеспечить свежесть и пригодность представленных продуктов;

● избегать лишних отходов в результате чрезмерного потребления;

● радовать своих покупателей наличием нужных или трендовых товаров;

● оптимизировать расходы на логистику, предвидя сезонные трудности с доставкой и учитывая погодные факторы и др.

---

Читайте также: Как бизнесу взаимодействовать с клиентом: 5 трендов 2024 года

---

Также более точные прогнозы помогают ритейлерам регулировать и финансовые показатели с помощью анализа рыночных трендов, а именно: 

● управлять периодами продаж и грамотно работать с распродажами;

● вовремя обеспечивать распродажу скоропортящихся или сезонных товаров, чтобы избежать списаний и финансовых потерь;

● грамотно корректировать ценообразование – распродавать, когда есть риск, застоя, но оставаться в прибыли; 

● динамично адаптироваться под тренды, максимизируя выручку; 

● подбирать экономически выгодные промоакции и категории товаров. 


Некоторые возможности применения ИИ для ритейлеров

Как это работает? 

Нагляднее объяснить на примере разработки модели для прогнозирования продаж. В нашем случае такой проект, например, условно делится на четыре этапа. 

● Собираем данные

Мы собираем внутренние данные от заказчика. Это могут быть товарные остатки, история продаж и цен, информация о промоакциях и других активностях, а также любая другая информация, которая необходима для решения конкретной задачи. Например, при необходимости прогнозировать продажи в разрезе каналов сбыта, необходимо предоставлять историческую информацию по продажам в том числе по этим каналам сбыта.

Также подключается сбор внешних источников информации – цены конкурентов, продажи партнеров или контрагентов, данные рынка, открытые источники. 

● Анализ и обработка данных

Наша команда проводит анализ и обработку предоставленных данных на наличие всей необходимой информации, а также на предмет наличия связей между разными таблицами. 

● Подбор моделей и формирование пайплайна

Обычно он состоит из статистической модели для формирования базовой модели, которая является отправной точкой и имитирует прогноз, сделанный вручную человеком. Тем не менее в случае, если компания уже формирует прогнозы на основе своих моделей (не очень важно, при помощи формул в Excel или с помощью машинного обучения), то необходимости в разработке отдельной статистической модели нет, ведь итоговую модель на основе ИИ в первую очередь будет важно сравнивать с текущими подходами. 

Далее подключаются и машинное обучение, в том числе нейронные сети. 

●Оцениваем результат

По итогу клиент получает модель, предсказывающую объем продаж на определенный срок с необходимым уровнем детализации. В нашем случае качество прогнозирования оценивается по метрикам WAPE (средневзвешенная процентная ошибка), MAPE (средняя абсолютная процентная погрешность), BIAS (смещение), CORR (метод corr() вычисляет коэффициент корреляции Пирсона, который является мерой линейной зависимости между двумя переменными) и др. 

Например, метрика WAPE (средневзвешенная процентная ошибка) – это ошибка прогноза в процентах, при этом ее усреднение (например, при расчете ошибки ежедневного прогноза в течение года) производится с использованием объемов в качестве весов. Таким образом, небольшая ошибка в день, при достаточном объеме продаж, будет важнее для прогноза, чем большая ошибка в день, когда продаж было мало. 


@Freepik

Примеры внедрения в ритейле и торговле 

Например, для группы компаний «Абрау-дюрсо» Сбер Бизнес Софт была разработана инновационная предиктивная модель, которая позволяет с высокой точностью прогнозировать будущий спрос на продукцию.  

Ключевой задачей, поставленной «Абрау-дюрсо» перед специалистами Сбер Бизнес Софт было создание системы более точного прогнозирования продаж в двух стратегически важных временных отрезках: 

● для годового бизнес-планирования;

● для краткосрочного планирования на 10 недель для формирования представления о конкретном цикле производства. 

Использование ИИ позволило компании перейти от устаревших или базовых инструментов прогнозирования к новому подходу, который позволяет учесть множество неочевидных факторов и получить точные оценки ожидаемого спроса на продукцию. 

Такие прогнозы реализуются благодаря глубокому анализу ретроспективных данных и дополнительных параметров, что позволяет бизнесу оптимизировать свои процессы и точно рассчитывать загруженность производства, планировать объем поставок сырья, оптимизировать логистику и снижать издержки.

Для другого заказчика из FMCG «Градиент», команда Сбер Бизнес Софт, создала модель прогнозирования спроса и, обучив ее на данных о продажах, клиентах и складах, истории промокампаний, ассортиментной матрице и товарных остатках, повысили точность прогнозов на 29%.

«Применение ИИ-технологий позволяет клиентам быстро улавливать смену тенденций, а также проактивно формировать свои стратегические активности. Со статистическими моделями в условиях высокой неопределенности и сложных зависимостей между факторами, а также при быстро сменяющихся тенденциях на рынке точно прогнозировать невозможно».

Максим Иванов, директор по по искусственному интеллект, Сбер Бизнес Софт

От данных к данности 

Самое трудное – начать и перейти от пассивного сбора данных в разных системах к непосредственному использованию этих массивов для прогнозирования будущего и, конечно, его формирования. 

Уже сейчас использование предиктивных технологий для разных бизнес-целей – не роскошь для избранных, а скорее способ остаться на плаву и выжить в мире быстрого потребления, мимолетных трендов и развивающейся конкуренции. Таким образом, технологии искусственного интеллекта, могут помочь не только эффективно принимать решения, но и делать это быстро и даже проактивно. 

Обзор подготовлен ИИ-экспертами Сбер Бизнес Софт.

Для NEW RETAIL

РЕКЛАМА. ООО "Сбер Бизнес Софт", ИНН 7730269550
Erid: F7NfYUJCUneP51DsyUY8