Ваша система автозаказа работает с удовлетворительной точностью? Как улучшить качество

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

Формирование заказа для поставщиков – одна из трудоемких задач, особенно для продуктового ритейла с большим количеством номенклатур, которые могут исчисляться тысячами, а для федеральных сетей – десятками тысяч. Автоматизация процесса заказа становится очевидной потребностью, и в десятых годах появляется значительное количество программных продуктов, решающих эту задачу, дополнительных модулей в учетных системах и самописных систем при наличии у ритейлера собственного отдела разработки. Всегда ли качество планирования заказа удовлетворительное, и что можно сделать для его улучшения?

Алгоритм формирования автозаказа

В основе решения автозаказа лежит формула планового заказа:

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

Соответственно, чтобы увеличить точность автозаказа надо работать со всеми составляющими формулы.

Остатки на начало – величина известная, но отсутствие регламентов списания или регулярных инвентаризаций может её искажать. Например, пересортица может формировать отрицательные остатки по некоторым позициям или наоборот «фантомное» наличие на складе. Аккуратное ведение учета остатков на складе – обязательное требование для построения системы автозаказа.

Наибольшую сложность при обеспечении точности прогнозирования представляет прогноз продаж и формирование страхового запаса как следствия полученного качества прогноза.

За последние пять лет стал доступен инструментарий продвинутой аналитики с использованием больших данных, что позволяет повышать точность прогнозирования спроса. Продвинутая аналитика основана на построении математических моделей методами машинного обучения (Machine Learning, ML). Основное отличие от традиционного планирования в том, что это не программирование алгоритма, а обучение модели решать обозначенную задачу на предоставленных данных. Такие алгоритмы начинают вытеснять существовавшие до сих пор подходы к аналитике.

Задачу по реализации системы автозаказа можно разделить на два этапа:

1. Формирование прогноза продаж с использованием алгоритмов машинного обучения;
2. Создание системы автозаказа (постобработка, согласно приведенной выше формуле).

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

Потребуется сформулировать требования к прогнозу, а именно:

• В каких разрезах модель будет формировать прогноз, например, магазин/номенклатура или магазин/категория.

Для некоторых отраслей, таких как fashion-индустрия, где номенклатуры меняются каждый сезон, решение задачи прогнозирования может сводится к прогнозированию категории или класса (в зависимости от принятых в компании аналитических признаков в справочнике товаров) и распределяться на заказ по алгоритмам.

• Требуемая частота и горизонт для целей автозаказа, например, ежедневно на два месяца. Эти величины зависят от максимальных сроков заказа у поставщиков и регулярности.

Для точного прогноза на весь горизонт планирования должны быть подготовлены графики акций, иначе система автозаказа пользы не принесет, т. к. акции существенно меняют характер спроса.

Кроме того, на точность влияет чистота входных данных, количество и значимость учитываемых параметров, выбранный алгоритм машинного обучения и прочие факторы.

Например, спрос на товар зависит от сезона, тренда, наличия промо-акции, дня недели, погоды, маршрута человека с работы до дома и прочего. Но не все признаки можно учесть при прогнозировании спроса, поэтому во внимание принимаются самые значимые. Основное правило – баланс между затраченными усилиями на добавление признака и полученным результатом по качеству модели прогнозирования.

Как работает система автозаказа

Сама прогнозная модель законченным решением не является – это необходимое ядро системы.

Если система автозаказа у ритейлера уже существует, тогда система прогнозирования будет передавать данные о планируемых продажах в интегрированное ПО. Необходимо наладить регулярную выгрузку данных. Для этого создается сервис, осуществляющий прием, передачу данных между ПО ритейлера, например, 1С, моделью и облачным хранилищем данных.

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.

Невозможно получить модель машинного обучения, которая работала бы со стопроцентной точностью, поэтому в формуле автозаказа присутствует слагаемое страхового запаса, которое корректирует возможный дефицит из-за ошибки прогнозирования и учитывает правила по выкладке, если есть требование бренда о неснижаемом остатке. Чем лучше качество прогноза, тем меньше ошибка и соответственно уровень страхового запаса, который отпускает ликвидность, замороженную в запасах, и повышает товарооборачиваемость.

Преимущества прогнозирования спроса методами машинного обучения в облаке

Развитие облачных вычислений и сервисов делает доступным подобные решения не только для корпораций, но и для компаний среднего и малого бизнеса за счет уменьшения цены входа в проект: необходимость инвестиций в дорогостоящее серверное оборудование отсутствует.

Стоит также отметить:

• Увеличение точности прогноза

Точность прогноза достигает 95% в некоторых категориях, а средний показатель улучшения качества прогноза по сравнению с традиционными алгоритмами 15-20 пунктов

• Облачный сервис предоставляется по подписке (SaaS), договор на использование можно расторгнуть в любое время
• Адаптивность алгоритмов

В ситуации нестабильного спроса достаточно 1 недели на адаптацию

• Автоматический прогноз объемов товара на акцию

Не требуется ручная корректировка объемов товара при планировании акций

• Быстрое развертывание решения

На разработку модели и ее тестирование потребуется 1.5-2 месяца

• Скорость масштабирования

Подключение новых прогнозов для новых товаров или клиентов занимает 1 рабочий день

• Высокая скорость расчетов

Скорость проведения расчетов достигает 15 тыс. прогнозов в минуту

Кроме того, по оценкам ритейлеров, внедривших ML алгоритмы, благодаря точности прогнозирования товарооборачиваемость увеличивается в два раза по сравнению со средними показателями по отрасли.

Дополнительно

Больше статей на тему передовых технологий в ритейле вы найдете в нашем блоге:

• о распознавании товаров на полке читайте в этом материале;
• о переходе в online и рекомендательных системах для ритейла в вопросах и ответах;
• как микросервисный подход к реализации аналитических решений влияет на бизнес можно прочитать здесь.