Datanomics Demand Forecast – облачный сервис на базе алгоритмов машинного обучения, разработанный с учетом специфики ритейла и FMCG отрасли. Datanomics Demand Forecast автоматически рассчитывает прогноз спроса, включая спрос на акционные товары, и повышает его точность по сравнению с традиционными методами прогнозирования.
Внедрение интеллектуальных систем позволяет переложить рутинные процессы с человека на искусственный интеллект, а человеческий ресурс направить на решение творческих задач и развитие бизнеса.
Решение внедряют
Прогнозирование спроса с помощью машинного обучения – это:
Datanomics Demand Forecast (DDF)
работает на основе алгоритмов машинного обучения
Примеры собираемых данных
- Информация по торговым точкам или распределительным центрам (название, адрес и др.)
- База данных по номенклатурам
- Информация о продажах товара (дата и время продажи, номенклатура, цена, количество и др.)
- Информация по поступлениям и остаткам на конец дня
- Маркетинговые акции
- Внешние факторы, которые могут повысить точность модели (праздники, выходные дни, курсы валют и др.)
Обработка данных
- Приложение автоматически принимает набор данных, необходимых для прогнозирования, осуществляет очистку и приведение к единому формату
- Обработанные данные поступают в центр анализа, где на их основании и с помощью алгоритмов машинного обучения получается прогноз
Получение прогноза
Дополнительно может быть разработан веб-интерфейс
Как выглядит решение?
Datanomics Demand Forecast - сервис предоставляемый по модели подписки (SaaS).
В каком виде я получу результат прогнозирования
Дополнительно может быть разработан веб-интерфейс
Реализованные кейсы
Остались вопросы?
У алгоритмов машинного обучения высокая адаптивность, в ситуации нестабильного спроса достаточно недели для адаптации к изменению в потреблении.
Да, сервис предоставляется по подписке (SaaS), договор на использование можно расторгнуть в любое время.
DDF не традиционная BI платформа, а сервис, который встраивается в цифровые платформы клиента или учетные системы, например, 1С. Такой подход связан с запросами заказчиков на интегрируемые решения и трендом на развитие собственных платформ с микросервисной архитектурой в рамках проектов цифровой трансформации бизнеса.
У каждой компании уникальные данные, требования к частоте, горизонту и аналитическим разрезам прогнозирования. Сервис DDF настраивается по техническому заданию каждого заказчика для достижения наилучшего результата.
Настройка решения длится 1-1,5 месяца.
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.
Минимальные требования для построения модели прогнозирования:
- Справочники номенклатур
- Справочники магазинов/дистрибьюторов/РЦ (в зависимости от задачи)
- Данные по продажам
- История акций
- История возвратов, уценок, списаний
- Данные по остаткам
Тестирование качества прогнозирования начинается с запуска пилотных проектов. Для пилотного проекта, как правило, выбирают несколько категорий или товарных номенклатур.
Этапы оценки эффективности прогнозного сервиса на пилотном проекте:
- Определение меры качества прогнозной системы
- Тестирование заказчиком прогнозов на данных, неизвестных исполнителю
- Тестовая эксплуатация на товарных номенклатурах/группах, выбранных заказчиком
- Сопоставление результатов действующей (если есть) и разрабатываемой прогнозных систем
- Оценка прибыли и издержек от внедрения нового решения
В случае, если результаты признаны удовлетворительными, решения масштабируется на весь бизнес.
Прогнозный сервис DDF включает:
- Техническую поддержку согласно заключенному SLA
- Регулярные обновления и переобучения модели прогнозирования для повышения точности
- Систему накопления данных
- Масштабирование решения (подключение дополнительных номенклатур/клиентов/РЦ)
- Создание web-визуализаций и ботов в мессенджерах для удобства работы персонала на основе передаваемых данных с разграниченными правами доступа
- Консультации по развитию функционала
- Улучшение качества прогнозирования составляет 20-30%
- Уменьшение количества списаний и уценок товаров на 20%
- Повышение товарооборачиваемости (в некоторых случаях в 2 раза)
- Сокращение трудозатрат в среднем в 2.5 раза