Як працюють експертні системи прогнозування продажів або скільки вантажити планшетів у грамах
Відповідно, завдань у вас зараз три:
- Підтримувати асортимент продукції за основною лінійкою;
- Розуміти, скільки буде продажів, щоб планувати закупівлю аксесуарів;
- Тримати на контролі всі хіти та новинки, щоб завжди продавати ходові товари та «знімати піну» на запусках нових девайсів.
До цього моменту в асортименті вже близько 200 найменувань: складно вважати все на папірці, тому ви починаєте вести ексель, де враховуєте швидкість продажу, швидкість постачання від дистриб'ютора чи виробника тощо. Потроху стає зрозуміло, що робити руками все це дуже складно, і ви пишете модуль до своєї системи обліку (наприклад, до 1С), де прогнозуються закупівлі.
Таким чином, ви вирішуєте своє основне завдання - ви можете отримувати алерти про те, що товар потрібно докуповувати в потрібні моменти, плюс можете переглянути стан складу через тиждень нормальних продажів.
Сумно, але на цій стадії зараз перебуває приблизно 90% вітчизняних роздрібних та оптових компаній.
Якщо всі так живуть – у чому проблема?
До того ж у вас з'явилася мережа пунктів видачі та магазинів — і в магазинах теж знадобилося тримати запас товару. Грубо кажучи, при N пунктах продажів, завдання стало складнішим у N разів – правда, ціна локальної помилки вже нижча в порівнянні з помилкою по головному складу.
У результаті логістика стала просто страшною, і ви вирішили вирішити проблему за допомогою правильної аналітики. Люди – це добре, але є речі, які можна і потрібно автоматизувати так, щоб вони працювали як годинник.
Головна задача
Посидівши з бухгалтером над ABC та XYZ-аналізами, ви зрозуміли, що руками треба обробляти лише 20-30 найменувань товару, з чим чудово впорається один закупник. Добре, якбирештатовар вважався автоматом— він не такий важливий для вашого прибутку, і навіть 10% помилка за прогнозом буде набагато кращою і економічнішою, ніж праця ще 5-6 осіб. Зрештою, ви плануєте розширювати свою роздрібну мережу і збільшувати асортимент, тому автоматика вам потрібна абсолютно точно.
Друге завдання— щоб система сама передбачала попит не лише з урахуванням лінійної швидкості продажів, а й з огляду на сезонні коливання, свята тощо.
Четверте питання— вам потрібно розуміти, як маркетингові акції впливатимуть на продаж, щоб планувати закупівлі з їх врахуванням. І заразом — будувати сценарії, які дозволяють оцінити, який товар варто продавати за акцією, а який — ні.
Ви перебираєте купу рішень, а потім приходьте на тест-драйв до нас у КРОК, дивіться, як працює система оптимізації ланцюжків поставок, ставите купу питань за своїм асортиментом і розумієте, що всі проблеми вже вирішили розумні люди
На секунду ви уявляєте собі, що це вже стоїть у вас - і відчуваєте блаженне почуття того, що все під контролем, працює як годинник і не косить. Щоправда, похмурий погляд керівника IT-департаменту вириває вас із цього сну: річ у тому, що, по-перше, він щойно дізнався цінник на впровадження та ліцензію, а по-друге, раптово зрозумів, що звична 1С чи щось там -Ще буде якимось чином взаємодіяти з новою системою.
Реальність така, що у вас є налаштована 1С, штат людей, що працює з нею, плюс вам дуже некомфортно міняти те, що погано, але працює. З іншого боку, вам обіцяють окупність проекту за півроку і таке розумне прогнозування попиту і таку грамотну логістику, що ви економитимете до 20% коштів і точно знатимете, на що піде кожна копійка — а від цього аждихання захоплює.
І за два місяці, ще кілька разів наступивши на свої стандартні граблі, ви наважуєтеся на перехід. Виробників такого софту кілька. Нижче я розберу, як це зроблено, з прикладу рішення від JDA.
Отже, як усе відбувається
1. Ви вивантажуєте всі дані про товари зі своєї облікової системи - наприклад, в JDA є можливість автоматично завантажувати каталог продуктів з вашої ERP-системи, наприклад з 1С.
2. Модуль прогнозування аналізує кожен з ваших товарів і робить прогноз попиту за ним.У ті проміжки часу, коли товару на складі було 0, графік повинен відновлюватися — адже нам важливо, скільки ми могли б продати товару в минулому, якби він був , а не скільки продали за фактом
4. Для кожного товару також будуються точки нетипової активності: наприклад, якщо графік загалом рівний, але десь є викид, це може бути або маркетингова акція (і тоді потрібно показати системі, що вона була), або дрібногуртове замовлення через роздрібний магазин, або, навпаки, система вважає, що десь можна було продати товару більше — і варто згадати, чи не вилітали ви з топу Яндекса на той момент, наприклад.
5. Після такої обробки усі ваші тисячі товарів отримують профіль продажів. Система показує вам, який товар сезонний, який вже застаріває і готовий вийти з обігу, який потрібно закупити якнайбільше і так далі.
8. Після цього в систему вивантажуються дані про фактичні продажі щодо прогнозу — і система навчається, зіставляючи різницю в прогнозі та реальній ситуації. При цьому для кожного нового прогнозу будується такий графік:
У ньому можна виділити 4 основні зони:
9. У результаті виходить прогноз продажів, який на 95% складається з автоматично згенерованих даних, і на 5% - з даних, скоригованих користувачем відповідно до політики партії та свого жоп-філінгу.
Експертна система прогнозування попиту зазвичай дає ось що (це бенчмарк тієї ж JDA):
- Точність прогнозу зростає на 15–20%.
- Серйозно знижується трудомісткість процесу.
- Складські запаси зменшуються на 10–15%.
- Рівень обслуговування (доступність товару) зростає 5-10%.
- Зменшується кількість помилок, спричинених людським фактором.