Преимущества алгоритмов машинного обучения для прогнозирования спроса
Сергей Кравченко, Старший аналитик данных, Beltel Datanomics
На одном из вебинаров о применении предиктивной аналитики в отраслях ритейла и FMCG мы провели опрос участников о текущих подходах к прогнозированию спроса, которые применяются в компании. Выяснилось, что 75% опрошенных имеют модули планирования в учетных системах, но несмотря на это продолжают пользоваться таблицами Excel для ручного сведения прогноза и полагаться на опыт коллег для планирования закупок. 80% опрошенных видят потенциал для улучшения прогноза за счет дополнительных факторов, не учтенных в стандартных системах прогнозирования.
В этой статье подробнее остановимся на недостатках традиционных подходов к прогнозированию, рассмотрим альтернативный метод и его преимущества.
«Ручное» прогнозирование
Во многих компаниях используется подобный подход. Типовой сценарий: сотрудник отдела планирования с помощью сводных таблиц считает объемы проданного товара за предыдущий период, исходя из полученных объемов формирует заказ на следующую поставку.
Недостатки подобного метода следующие:
- Дорого. Человеческий ресурс дороже компьютерного. Кроме того, сотрудник, который, например, формирует заказ должен обладать соответствующей квалификацией, уметь работать с Excel или другой программой, в которой компанией принято считать прогноз. Стоимость ручного прогнозирования определяется размером оплаты труда квалифицированного сотрудника и количеством трудовых часов, затраченных на эту задачу, и может варьироваться от 1/3 до целой заработной платы сотрудника.
- Трудоемко. Постоянная работа со сводными таблицами, проверка продаж на наличие уценок, акций, корректировка прогнозов на сезон и акцию требуют от сотрудника предельной внимательности и больших трудозатрат. Смена графиков поставок ведет к изменению алгоритма формирования сводных таблиц.
- Медленно. Трудоемкость процесса приводит к увеличению сроков формирования заказов.
- Чувствительность к выбросам. Еще один существенный недостаток. Аномальные продажи попадают в сводную таблицу, внося отрицательный вклад в итоговый заказ. Результатом может оказаться либо переизбыток, либо недостаток товара на полке.
Традиционные методы прогнозирования (скользящее среднее)
Скользящие средние – алгоритмы, формирующие заказ товара на основе продаж за определенный фиксированный промежуток времени. Например, возьмем продажи товара за последние 5 недель, рассчитаем среднюю продажу в понедельник, вторник и так далее до воскресенья. Средняя продажа в заданный день недели является прогнозом товара.
Недостатки алгоритмов такого типа:
- Запаздывание. Прогнозирование «вчерашним днем» не даёт возможности заказывать на упреждение. Особенно это относится к праздникам или сезонным товарам.
- Чувствительность к выбросам. Алгоритмы скользящих средних не разделяют акционные продажи от обычных. Если не делать ручных корректировок, возникнет проблема перезатарки товара в магазинах после проведения акции, когда алгоритм адаптируется к акционному темпу продаж.
- Невысокая точность. Следствие первых двух пунктов.
Алгоритмы машинного обучения
Алгоритмы машинного обучения производят расчеты количества товара с учетом сезонности и акционных продаж, что позволяет добиться уровня автоматизации процесса формирования заказа до 98%.
Для построения прогнозной модели необходимы данные за 2-3 года. Это продажи, акции, возвраты, уценки. Также для настройки алгоритмов прогнозирования используются справочники товаров, внешние факторы, влияющие на прогноз, такие как праздники, сезонность, погодные условия.
Прогнозирование спроса может производится в зависимости от целей и требований бизнеса: на каждый день, неделю, месяц для каждого магазина в разрезе товарных номенклатур или категорий, в разрезе распределительных центров или клиентов.
К преимуществам прогнозирования спроса методами машинного обучения можно отнести:
- Точность. Для сезонных товаров и праздников расчет производится на упреждение.
- Быстрота обновления. Обновление прогнозов в облаке средней федеральной торговой сети занимает около часа по всем номенклатурам.
- Автоматизация формирования заказа. Нет необходимости производить корректировки заказов после акции или уценки.
- Адаптивность алгоритмов. В ситуации нестабильного спроса алгоритмам достаточно недели для адаптации к изменению в потреблении.
Результаты использования алгоритмов машинного обучения
Внедрение алгоритмов машинного обучения позволяет увеличить точность прогнозирования. По некоторым товарным категориям она может составлять 95% и выше, что является неплохим результатом.
Увеличение точности сокращает случаи списания товаров – в одном из наших кейсов списания и внеплановые уценки сократились примерно на 20%.
Обратная связь на остатки позволяет своевременно менять объем заказа на увеличение или сокращение.
Снижение трудозатрат зависит от уровня автоматизации компании. Например, в нашей практике удавалось сократить объем работ в 2,5 раза.
Дополнительно
Больше статей о подходах к аналитическим решениям вы найдете в нашем блоге: