Разработали ML-сервис прогнозирования спроса?для международной FMCG-компании
ЗаказчикРоссийское представительство одной из крупнейших транснациональных корпораций с несколькими филиалами в стране (NDA).ЗадачаС помощью модели на основе машинного обучения автоматизировать прогнозирование спроса на товары компании.
Компания клиента производит и реализует в России товары нескольких торговых марок. Название компании не разглашается по условиям NDA. Чтобы продавать товары в разных регионах страны, компания должна заранее — за год, полугодие, квартал — договариваться о производстве, поставках и строить распределительные центры. Для этого ей нужно знать, какое количество товара, в какой точке, в какое время и по какой цене должно храниться и продаваться.
Сначала компания использовала для прогнозирования спроса Excel-таблицы, затем перешла на систему коммерческого планирования Anaplan. Однако региональные менеджеры подгоняли плановые данные по продажам так, чтобы точно их достичь и выполнить свои личные KPI. В итоге розничная точка выполняла поставленный план, но не раскрывала весь экономический потенциал, а в некоторых случаях показывала регресс.
Мы разработали ML-модель прогнозирования спроса. Модель с помощью AI помогает рассчитать, какое количество товаров, каких торговых марок, когда и где нужно продавать, чтобы выполнять квартальные и годовые планы магазинов по розничному товарообороту (РТО) и маржинальности.
Выбрали подходящее решение и поставили задачу
Готовые коробочные решения не подходили клиенту, потому что точность их прогнозирования не соответствовала стандартам головного офиса, а затраты на их доработку оказались выше затрат на разработку собственного решения.
Наша задача: разработать систему с участием AI, которая позволит указывать KPI на всех уровнях управления и будет прогнозировать спрос и предложение необходимые для выполнения заданных показателей.
Кроме разработки самой ML-модели мы должны были помочь собрать и проанализировать данные, выявить закономерности и определить какие факторы влияют на спрос и результаты прогноза. А также провести интеграцию с существующей системой коммерческого планирования и добиться того, чтобы менеджеры по логистике начали планировать складские запасы на основе полученных прогнозов.
Разработать ML-модель, чтобы определять, сколько товаров, каких торговых марок, когда и где продавать, чтобы выполнять квартальные и годовые планы магазинов по розничному товарообороту (РТО) и маржинальности.
Сформировали процесс работы
Мы спланировали процесс работы:
1. Этап подготовки
Аналитики собирают исторические данные по сетям минимум за 3,5 года, чтобы получить информацию о сезонности продаж.
2. Параметры для прогноза
Менеджер указывает параметры прогноза: период для построения модели, необходимую разбивку прогноза по дням, неделям или месяцам, указывает промоакции, планируемые скидки или повышения цены.
3. Анализ данных
Программа анализирует продажи и скидки за такой же период в прошлые годы и учитывает другие факторы, влияющие на спрос — наличие товаров на складах, изменения цен по прайсу, разные тренды, эффекты сезонности, гало и другие.
4. Отчет с прогнозом
На основе загруженных данных программа составляет отчет. В нем менеджер видит, какие товары, в каком количестве, в каких магазинах и по каким ценам ему нужно выставить, чтобы его город достиг заданных целевых показателей. Другими словами, менеджер получает руководство по тому, как превратить плановый показатель в фактический.
Проанализировали учет данных и нашли ошибки
У клиента не было какой-то единой и строгой системы сбора данных, поэтому могли быть ошибки, пропуски, проблемы со сбором. При анализе данных и обучении модели, мы должны были преодолеть эти проблемы, при этом не увязнуть в процессе, но и добиться необходимой точности прогноза.
Мы искали не просто неправильные показатели продаж, цены и спроса. Мы искали методологические ошибки сбора и очищали данные от них. Например, изучили статистические отчеты и графики распределения цен, нашли аномальные распределения, залезли в таблицы с цифрами и обнаружили, что часть стоимостей заносились с учетом НДС, а другие — нет.
Технически реализовали систему
Модель использует исторические данные по продажам, которые максимально подробно описывают динамику спроса в прошлом. Дополнительно формируется ряд признаков. Этот набор подается на вход модели машинного обучения. В ходе обучения модель извлекает закономерности между признаками и спросом. На основе этих закономерностей дальше формируется прогноз спроса.
Результат: создали систему, которую клиент внедрил в бизнес-процессы
Создали модель прогнозирования спроса на основе ML, которая помогла увеличить выручку международной компании на 2%, повысила прибыльность маркетинга на 7% и сократила расходы на планирование в 3,5 раза.
Полный текст статьи читайте на CMS Magazine
