Решаем три проблемы прогнозирования в пищевой отрасли с помощью проверенных математических методов
Анна Племяшова, Руководитель Департамента аналитики больших данных и искусственного интеллекта Beltel Datanomics.
Опрос, который мы проводили среди предприятий пищевой отрасли об инструментах прогнозирования продаж для целей планирования производства, показал, что 53% респондентов имеют специальный модуль в своих ERP системах, но несмотря на это продолжают пользоваться Excel.
Текущая ситуация. Три проблемы прогнозирования
Среди проблем прогнозирования выделены три основные (количество вариантов выбора не ограничивалось):
- точность прогнозирования – 85%
- трудоемкость прогнозирования – 69%
- отсутствие системного подхода к прогнозированию – 53%.
Качество прогнозирования (точность) обычно связано с недостатками традиционных методов прогнозирования, например, скользящее среднее – алгоритмов, формирующих прогноз товара на основе продаж за определенный фиксированный промежуток времени. Традиционные алгоритмы плохо адаптируются к акциям, сезонности, трендам и, как следствие, дают неудовлетворительный по точности результат.
Попытка улучшить качество прогнозирования ведением таблиц в Excel – это трудоемкая деятельность. Ассортиментный ряд у производителей продуктов питания исчисляется сотнями, а количество клиентов может доходить до тысяч контрагентов. Условия проведения акций у клиентов могут не совпадать, и для аккуратного прогноза требуется его готовить в разрезе «номенклатурная позиция – контрагент», что приводит к большому количеству вычислений, который силами сотрудников и таблицами Excel не то, что сложно, иногда невозможно реализовать, а агрегирование прогноза до уровня номенклатуры также приводит к снижению точности.
Кроме того, «ручное» прогнозирование в Excel силами специалиста по планированию несет в себе риски: специалист может заболеть, уйти в отпуск или вообще покинуть компанию.
Решение. Новый подход к прогнозированию
Решение обозначенных проблем – переход от трудоемких расчетов к управлению процессами на основе данных с применением алгоритмов машинного обучения (ML).
Как это работает? На исторических данных о продажах, заказах, акциях минимум за два года строится математическая модель, которая учитывает календарь (праздники, выходные дни), сезонность, погоду, тренды продаж и прочие признаки, которые могут влиять на продажи. Модель автоматически прогнозирует в разрезе каждой отдельной номенклатуры и контрагента или канала продаж, с любой частотой и горизонтом, хотя важно помнить, что чем больше горизонт, тем ниже точность.
Чудес в этом решении нет – это проверенные математические алгоритмы, которые отлично подходят для высокооборачиваемых продуктов, в частности для пищевой отрасли.
Как запустить на своем производстве ML прогнозирование
Для начала необходимо сформулировать цели и задачи прогнозирования и обозначить объемы прогнозирования (количество номенклатур, контрагентов, складов и т. п.), частоту (ежедневно, еженедельно) и горизонт прогнозирования. Для этого мы предлагаем заполнить Стартовый опросник для формирования дорожной карты и бюджета.
На основании сформулированной задачи формируется спецификация требуемых данных для построения ML модели. Потребуются исторические данные о продажах, заказах, акциях, данные по остаткам, история возвратов, уценок, списаний за последние два года, справочники товаров, контрагентов, складов и пр.
Важным критерием для проверки успешности построенной модели является выбор значения метрики качества прогнозирования, на основании которого построенную модель можно запускать в промышленную эксплуатацию.
Это может быть среднеквадратичная ошибка (RMSE) или средняя абсолютная ошибка в процентах (MAPE).
Подробнее о выборе метрик для оценки качества прогноза в нашей статье Выбор метрики качества в задачах прогнозирования спроса (datanomics.ru)
Если результаты прогнозирования модели при тестировании достигают целевой величины метрики качества, то решение можно запускать в промышленную эксплуатацию.
Сервис автоматического прогнозирования Datanomics развертывается в облаке и интегрируется в текущие учетные системы или системы планирования заказчика. Удобство использования облачных технологий – это экономия на вычислительных ресурсах (платим только за то, что используем и сколько используем), быстрое масштабирование с развитием производства, скорость расчетов и отсутствие администрирования (эти работы выполняет облачный провайдер), а также надежность и безопасность.
Не потребуется никаких ручных расчетов и правок ни во время акций, ни во время праздников, в том числе «плавающих» по календарю, например, таких как Пасха. Обученная модель автоматически рассчитает прогноз продаж, из которого формируются планы для производства.
Дополнительно
Преимущества алгоритмов машинного обучения для прогнозирования спроса (datanomics.ru)
Как точность алгоритма прогнозирования позволяет оптимизировать страховые запасы (datanomics.ru)
Выбор метрики качества в задачах прогнозирования спроса (datanomics.ru)