29.10.2021

Внедрение прогнозирования спроса методами машинного обучения в ритейле. Результаты A/B тестирования

Автоматизация процесса заказа – очевидная потребность для продуктового ритейла с большим количеством номенклатур, которые могут исчисляться тысячами, а для федеральных сетей – десятками тысяч. Оптимальное формирование заказа для поставщиков – не только трудоемкая задача, но и напрямую влияющая на ключевые показатели в рознице: коэффициент оборачиваемости запасов и out of stock, следствие которого упущенная прибыль.

Как повысить точность заказа

В наших предыдущих статьях мы уже отмечали, что 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.

Слагаемое страхового запаса корректирует возможный дефицит из-за ошибки прогнозирования и учитывает правила по выкладке. Чем лучше качество прогноза, тем меньше ошибка и соответственно уровень страхового запаса, который отпускает ликвидность, замороженную в запасах, и повышает товарооборачиваемость.

Найти равновесие между достаточным запасом и не скатиться в отсутствие товара помогает повышение точности планирования продаж с использованием алгоритмов машинного обучения.

Чтобы проверить это утверждение, мы провели А/B тестирование на примере магазинов одного из сетевых ритейлеров, результаты которого представляем в статье.

Условия проведения A/B тестирования

Решение прогнозирования спроса методами машинного обучения (ML) был запущено сетевым ритейлером в промышленную эксплуатацию в конце сентября 2019 года. Соответственно для сравнения выбран 3 квартал 2020 года и аналогичный период предыдущего года, т. е. аналогичные периоды до и после внедрения.

Тестирования проводилось для 84 магазинов, которые работали до и после внедрения ML прогнозирования. Для тестирования были выбраны номенклатуры, которые были в продаже в оба периода.

Для анализа результата тестирования магазины сети были поделены на 3 категории:

  • Супермаркеты Премиум (среднее количество номенклатур около 17,000 SKU)
  • Супермаркеты с количеством номенклатур 8,000 – 15,000 SKU
  • Супермаркеты с количеством номенклатур 3,000 – 6,000 SKU

Для расчета упущенной прибыли (цена минус себестоимость товара) учитывалось количество дней out of stock и средний темп продаж каждого товара в каждом магазине за выбранный период. Для сглаживания влияния роста потребительских цен при оценке упущенной прибыли перешли к относительному показателю — доле упущенной прибыли в продажах магазина за период.

Результаты тестирования для магазинов класса Премиум

Основная особенность магазинов категории Премиум – это поддержание высокого уровня сервиса и практически полное исключение out of stock за счет перезатарки и поддержания высоких страховых запасов, поэтому доля упущенной прибыли сократилась в среднем на 15%.

Однако, за счет увеличения точности прогнозирования и снижения «профицитных» заказов удалось улучшить оборачиваемость в 1.34 раза.  

Среднее количество номенклатур 17,312SKU

Доля упущенной прибыли в продажах магазина за период, %

Среднее значение коэффициента оборачиваемости для магазина

Q3 2019

0.95%

21.76

Q3 2020

0.81%

16.26

 

Таблица 1. Результаты A/B тестирования. Формат магазинов Супермаркет Премиум

Результаты тестирования для магазинов класса Супермаркет 8,000 — 15,000 SKU

Ключевой KPI супермаркетов – это коэффициент оборачиваемости. Для его поддержания на целевом уровне может появляться дефицит и пустые полки.

За счет точного прогнозирования удалось удержать показатель в целевых рамках, и снизить долю упущенной прибыли в продажах в 2.5 раза.

Среднее количество номенклатур 11,837SKU

 

Доля упущенной прибыли в продажах магазина за период, %

Среднее значение коэффициента оборачиваемости для магазина

Q3 2019

2.56%

14.76

Q3 2020

1.02%

15.24

 

Таблица 2. Результаты A/B тестирования. Формат магазинов Супермаркет 8,000 – 15,000 SKU

Результаты тестирования для магазинов класса Супермаркет у дома 3,000 — 6,000 SKU

Аналогично крупным супермаркетам ключевой KPI форматов «магазин у дома» – это коэффициент оборачиваемости.

За счет точного прогнозирования для магазинов в данном классе удалось снизить долю упущенной прибыли в 2.25 раз. 

Среднее количество номенклатур 5,002SKU

Доля упущенной прибыли в продажах магазина за период, %

Среднее значение коэффициента оборачиваемости для магазина

Q3 2019

1.69%

17.16

Q3 2020

0.75%

18

 

Таблица 3. Результаты A/B тестирования. Формат магазинов Супермаркет у дома 3,000 — 6,000 SKU

Общие результаты внедрения прогнозирования спроса методами машинного обучения

Повышение качества прогноза (точность до 95% в категории) позволило улучшить показатель оборачиваемости в целом по сети на 10% и снизить долю упущенной прибыли в целом по сети в 2 раза.

Также стоит отметить следующие преимущества внедрения подобных решений:

  • Сокращение трудозатрат отдела закупок в 2.5 раза

Автоматизация прогнозирования снижает трудоемкость бизнес-процессов, не требуется ручная корректировка прогнозов, в том числе на период акций. До внедрения решения в работе были задействованы 15 сотрудников, после запуска проекта – всего 6.

  • Снижение потерь и уценок на 20%

Уменьшение количества списаний и уценок товаров, внеплановых распродаж, а также количества «наложений» двух или более акций в одной категории товара.

  • Быстрое развертывание решения

На разработку модели и ее тестирование требуется 1.5-2 месяца.

  • Адаптивность алгоритмов

В ситуации нестабильного спроса достаточно 1 недели на адаптацию.

Кроме того, прогнозный сервис Datanomics Demand Forecast обладает высокой производительностью и отказоустойчивостью. В качестве вычислительного ресурса используется облако Microsoft Azure. Ежедневно для заказчика генерируется около 56,8 млн. прогнозов со средней скоростью 710,000 прогнозов/минуту.

Дополнительно

Больше статей о технологиях, применяемых для ритейла и FMCG, вы найдете в нашем блоге:

Цифровая сеть поставок для ритейла и FMCG. 10 составляющих для успешной трансформации (datanomics.ru)

Преимущества алгоритмов машинного обучения для прогнозирования спроса (datanomics.ru)

Почему важно поддерживать актуальность данных по акциям и остаткам (datanomics.ru)

Food-to-go в ритейле. Как автоматизировать заказ сырья для собственного производства (datanomics.ru)

У природы нет плохой погоды для продаж. Как учитывать погоду при прогнозировании спроса (datanomics.ru)

Оставьте заявку и получите бюджет и план внедрения наших решений в ваш бизнес

    Заполняя форму, Вы соглашаетесь с правилами обработки персональных данных.

    Мы используем файлы cookies, чтобы получать статистику и делать наш сайт и другие сервисы удобными для вас. Продолжая дальнейшее использование сайта и/или его сервисов, вы соглашаетесь с этим. Более подробную информацию можно прочитать в «Политика обработки персональных данных» и в «Политика Cookies»