Как выжать максимум из оборудования, используя Data-driven подход

Делимся ключевыми моментами из доклада Ксении Рахимзаде, эксперта по цифровизации на конференции Systech Family Area 2024.

На заре дистрибуции стенды или холодильники покупались под запрос бизнеса как «дополнительное место продаж». Считалась общая окупаемость оборудования, а оправдалась та или иная покупка, никто не знал.

На нынешнем этапе рулит продвинутая аналитика. Бизнес хочет знать, какое оборудование, в каком количестве и куда надо привезти, а откуда вовремя забрать.

Может ли в этом помочь ML-решение? Да, если модель корректно обучить. Тогда она:

1. Рассчитывает аплифт, анализируя загруженную в нее адресную программу. Модель показывает, в каких точках и какое дополнительное оборудование даст положительный эффект, а где будет убыток.
2. Выбирает оптимальные точки продаж, исходя из заданного аплифта по различным категориям продукции.
3. Помогает в планировании на разных горизонтах. Модель определяет, какие инвестиции понадобятся для достижения поставленных целей.

Как разработать ML-модель? Понятно, что «каменный цветок» не выйдет на основе информации из пяти магазинов, поэтому нужно аккумулировать геоданные, базы по торговым точкам и продажам за несколько лет. Непосредственно обучение производится с помощью любой популярной ML-системы, которая умеет работать с данными разной природы. В ней прописываются детали моделирования: прогнозы, цели, выборка, временные интервалы.

Полученный ИТ-продукт сможет решить главные проблемы, с которыми сталкивается бизнес при инвестировании в комплектацию магазинов: некорректно выбранные торговые точки и неэффективное использование ресурсов.

Также решается вопрос краж. Практика показывает, что оборудование не пропадает из магазинов, в которых оно генерирует выручку.

Больше кейсов, трендов рынка в нашем телеграм-канале Дистрибуция Шредингера.