Как внедрить решение прогнозирования спроса методами машинного обучения, и какую пользу бизнесу оно принесет?
Анна Племяшова, Руководитель Департамента аналитики больших данных и искусственного интеллекта Beltel Datanomics.
Как работает машинное обучение
Основное отличие от традиционного анализа — это не программирование алгоритма, а обучение модели решать обозначенную задачу на предоставленных данных. Такие алгоритмы называются алгоритмами машинного обучения (Machine Learning, ML), и они начинают вытеснять существовавшие до сих пор подходы к аналитике.
Требование для реализации задач методами машинного обучения — это наличие определенного набора исторических данных для обучения модели с глубиной хранения в зависимости от реализуемого решения.
В чем преимущество технологии, какие данные нужны, за какой период, какого эффекта ожидать разберемся на примере прогнозирования спроса для целей автозаказа.
Преимущества ML алгоритмов для прогнозирования спроса
Алгоритмы машинного обучения позволяют построить взаимосвязи между различными данными и множеством признаков, а развитие облачных вычислений делают доступным подобные решения не только для крупных корпораций, но и для компаний среднего и малого бизнеса.
Ритейлеры, внедрившие прогнозирование методами машинного обучения, выделяют следующие преимущества ML алгоритмов:
- Увеличение точности прогноза.
Точность прогноза в товарной категории достигает 95%, а средний показатель улучшения качества прогноза по сравнению с традиционными алгоритмами составляет 15-20 пунктов.
- Автоматический прогноз объемов товара на акцию.
ML алгоритмы позволяют отказаться от ручной корректировки объемов товара при планировании акций.
- Адаптивность алгоритмов.
В ситуации нестабильного спроса из-за эпидемии коронавируса ML алгоритмам достаточно недели для адаптации к изменению в потреблении.
Улучшение точности системы автозаказа
Низкая точность системы автозаказа приводит к перезатарке и снижению ликвидности, а иногда, наоборот, дефицитам и отсутствию товаров на полке, как следствие, снижение лояльности покупателей.
В основе решения автозаказа лежит формула планового заказа:
Плановый заказ = Прогноз продаж + Страховой запас – Остатки на начало
Остатки на начало – величина известная, страховой запас, как правило, рассчитывается из размеров полки, соответственно, чтобы увеличить точность автозаказа надо работать с прогнозированием продаж или спроса.
Задачу по реализации системы автозаказа можно разделить на два этапа:
- Формирование прогноза продаж, используя алгоритмы машинного обучения
- Создание системы автозаказа (постобработка, согласно приведенной выше формуле).
Если система автозаказа у ритейлера уже есть, то прогнозирование спроса методами машинного обучения можно интегрировать в существующую систему.
Для пилотного проекта, как правило, выбирают 1-2 магазина и несколько категорий.
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
Как показывает наш опыт разработок систем прогнозирования спроса, наибольшую сложность вызывает предоставление разметки продаж на акции и уценки. Подобная информация часто хранится разрозненно, иногда данные по акциям просто отсутствуют и приходится восстанавливать и размечать историю продаж на акции вручную. Акции – важный признак для построения модели машинного обучения, поэтому целесообразно собирать и хранить информацию об их проведении.
Формат данных о проведении акций может быть примерно следующий:
- ID магазина
- ID товара
- Дата начала акции
- Дата конца акции
- Тип акции (если есть)
- Базовая цена
- Размер скидки или цена на акцию
На разработку модели и ее тестирование потребуется примерно 1.5-2 месяца.
После построения модели, тестирования и оценки результата принимается решение о масштабировании.
Что дальше? Как работает система автозаказа
Сама прогнозная модель законченным решением не является – это необходимое ядро системы. Для того чтобы внедрить систему автозаказа в бизнес-процесс, необходимо наладить регулярную выгрузку данных. Для этого создается сервис, осуществляющий прием, передачу данных между ПО ритейлера, например, 1С, моделью и облачным хранилищем данных. Если система автозаказа у ритейлера уже существует, тогда система прогнозирования будет передавать данные о планируемых продажах в интегрированное ПО. 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.
Результат
Успех в реализации проекта прогнозирования спроса методами машинного обучения зависит от качества данных, дисциплины их сбора и хранения.
Из нашего опыта, а также публикаций в СМИ можно выделить несколько показателей:
- Увеличение продаж на 6% за счет наличия товара на полке и снижения недозакупок;
- Уменьшение количества списаний и уценок товаров на 20%, внеплановых распродаж;
- Увеличение продаж в период акций на 15% за счет точного планирования объемов закупок на акцию и наличия товара на весь период акции.
Кроме того, внедрение интеллектуальных систем позволяет переложить рутинные процессы с человека на искусственный интеллект, а человеческий ресурс направить на решение творческих задач и развитие бизнеса.
Больше о применении технологий в ритейле читайте на New Retail!