Оптимизация доходов ритейлера с помощью AI прогнозирования продаж

Оптимизация доходов ритейлера с помощью AI прогнозирования продаж

Прогнозирование - это метод, который использует исторические данные и события для составления оценок будущих тенденций, потенциальных бедствий и общего поведения любого субъекта. Прогнозирование может использоваться в качестве вероятностной поддержки для анализа решений, для оценки расходов, доходов и планов бюджета.

Прогнозирование в бизнесе можно разделить на две категории: качественное прогнозирование и количественное прогнозирование.

Качественное прогнозирование.

Качественное прогнозирование связано с исследованиями рынка и рыночными стратегиями, поэтому оно более ориентировано на экспертов и зависит от человеческого фактора. Обычно оно направлено на формирование краткосрочной стратегии.

Количественное прогнозирование.

Количественное прогнозирование исключает любой человеческий фактор. Оно зависит только от исторических данных, которыми располагает предприятие, и стремится предсказать, какими будут некоторые факторы, такие как продажи, цены и другие финансовые аспекты, в долгосрочной перспективе.

Оба типа прогнозирования показали многообещающие результаты и сумели создать улучшения для многих организаций. Одной из проблем, которую мы можем решить с помощью количественного прогнозирования, является прогнозирование спроса или прогнозирование продаж.

Прогнозирование спроса и прогнозирование продаж

Предположим, вы розничный продавец, управляющий множеством магазинов, и в каждом магазине есть статическая система пополнения запасов товаров, основанная на человеческих решениях, которые основаны на определенных событиях, таких как времена года и тенденции рынка.

Иногда вы сталкиваетесь с одной из этих проблем, которая может привести к двум основным проблемам:

• Избыточные продукты. Наличие значительного запаса товара, планируемого к продаже в течение определенного периода времени, но не проданного.
• Товаров нет в наличии. Имея возможность продать товар, но не имея возможности, потому что товар недоступен.

Покупатели часто сталкиваются с отсутствием какого-либо продукта в одной из трех поездок по магазинам. В магазинах розничной торговли продуктами питания, лекарствами и массовыми товарами они сталкиваются с отсутствующими на складе товарами в каждой пятой поездке, в универмагах и специализированных магазинах - каждый четвертый, а в магазинах электроники - в каждой третьей поездке. Это данные статистики группы IHL.

Как оказалось, обе эти проблемы приводят к снижению выручки, потому что мы либо потеряли вероятность продажи, либо вложили больше денег в непроданные продукты, что означает наличие активов, которые в ближайшее время не будут приносить доход, чтобы компенсировать их затраты.

Это явно наносит ущерб денежному потоку предприятия, и для устранения этого риска нам нужны две вещи:

1. Больше информации, чтобы помочь нам принять верное решение
2. Группа прогнозирования, которая может осуществлять долгосрочное стратегическое планирование для систем пополнения запасов

Итак, вопрос таков: каковы признаки того, что вам нужно внедрить ИИ в вашей компании, чтобы помочь вашему процессу прогнозирования?

Чтобы принять это решение, вам нужны экспертные ответы на следующие вопросы:

• Сложно ли прогнозировать объем продаж?
• Ваш прогноз продаж неточный или недостаточно точный (даже если у вас есть исторические данные)?
• Вы страдаете от проблем с отсутствием на складе или излишним запасом?
• Можете ли вы извлечь необходимую общую и логическую информацию из имеющихся у вас данных для принятия решений и планирования?

Ответы на эти вопросы должны быть четким сигналом, который поможет вам решить, стоит ли использовать ИИ в ваших стратегиях прогнозирования или нет.

Как ИИ может принести пользу процессу прогнозирования продаж?

Во многих компаниях ИИ продемонстрировал отличные результаты, превзойдя прогнозы человека, что позволяет быстрее принимать решения и планировать, а также обеспечивает более надежные стратегии управления рисками. Вот почему ведущие компании применяют ИИ при планировании.

При решении проблемы прогнозирования спроса можно использовать метод прогнозирования временных рядов для прогнозирования продаж для каждого продукта, что позволяет компаниям оптимизировать пополнение запасов и минимизировать возникновение вышеупомянутых проблем.

Однако многие модели ИИ испытывают трудности с прогнозированием на уровне отдельных продуктов или категорий продуктов из-за отсутствия необходимых функций. Итак, вопрос: как мы можем заставить его работать и максимально использовать наши данные?

Для большинства ритейлеров эти проблемы совсем не тривиальны. У вас либо более 1000 продуктов, которые вносят значительную нелинейность в набор данных и многовариантные зависимости , либо вы должны быть предупреждены о количестве прогнозируемого пополнения запаса с большим предварительным уведомлением, чтобы иметь возможность производить или покупать его, или делать все, что вам нужно, чтобы приобрести его к тому времени, когда спрос материализуется.

Чтобы это работало, необходимо:

• Входные данные, необходимые для объяснения разнообразия и разнообразия продуктов.
• Распределение этих данных по категориям, поэтому каждая категория будет иметь одинаковое поведение временных рядов, и каждая категория будет рассматриваться с использованием отдельной модели.
• Обучение ИИ анализу по этим категориям.

Обязательные функции в моделях прогнозирования продаж

Набор функций, необходимых для этой проблемы, подразделяется на четыре основные группы:

• Особенности, связанные со временем
• Функции, связанные с продажами
• Ценовые особенности
• Фондовые особенности

Особенности, связанные со временем

В отличие от глубокого обучения (Recurrent Neural Network), модели машинного обучения не могут получить долгосрочные или краткосрочные зависимости в пределах временного ряда без создания слоя извлечения объектов вручную для функции datetime

Многие функции могут быть извлечены из категории времени, такие как:

• Год
• День
• Час
• Выходной или будний день (будь то будний день или выходные)
• День недели

Многие подходы просто извлекают эти временные функции и используют их в качестве входных данных и моделей. Как мы видим, функции (день, час, день недели) являются периодическими, что означает, что они имеют диапазон повторяющихся значений. Как модель может справиться с этим?

Короткий ответ: не может, потому что модель видит, что 00:00 - это 23 часа от 23:00, но на самом деле это один час. Одним из способов решения этой проблемы является преобразование этих функций в циклическое преобразование.

Далее автор АХМЕД ХАЛЕД - старший специалист по обработке данных в своей статье показывает, как построить функцию преобразования объектов времени, чтобы проверить, была ли она полезной или нет. Переходите по ссылке, чтобы узнать детали.

Прогнозирование продаж может превратить данные в возможность

Таким образом, прогнозирование продаж может помочь фирмам увеличить выручку и получить прибыль, если у них есть правильные конвейеры данных и используются правильные методы проектирования функций.

Каждая компания должна выяснить, нужен ли ИИ для решения задач прогнозирования, и в этом случае ей понадобятся опытные инженеры ИИ и советы инженеров-машиностроителей для создания собственной системы прогнозирования продаж.

Если вы являетесь компанией / продавцом, желающим применить эту методику прогнозирования продаж, начните со сбора всех данных, которые вы можете, особенно ежедневных продаж, ежедневных запасов и ежедневных транзакций.

Получив эти данные, вы сможете использовать их для увеличения своих доходов и оптимизации стратегий пополнения запасов, что позволит вашему бизнесу получать максимальную прибыль за счет доступных ресурсов, как показано в нескольких примерах выше, а также методов прогнозирования продаж, используемых ведущими розничными торговцами.

Материал адаптирован в агентстве АВАНЗЕТ, источник блог toptal.com