Спрогнозировать продажи товаров в рамках промоакций под силу только искусственному интеллекту
Как поддерживать оптимальное количество запасов? Как предотвратить излишнее выделение денег на товарные запасы и, таким образом, избежать потерь ввиду истечения срока годности и прочих затрат на логистику? В небольших магазинах слишком большое количество единиц одного товара может занимать место, где мог бы выставляться другой товар. При худшем сценарии товары просто закончатся во время действия промоакции. Это нанесет ущерб репутации продавца в глазах покупателей. Увеличение спроса во время промоакций может вырасти в десятки раз, даже если этого ничто не предвещало. Каждая ошибка продавца многократно отразится, в основном, на его обороте.
Искусственный интеллект наиболее точно спрогнозирует продажи товаров в рамках промоакций. У искусственного интеллекта отсутствуют проблемы классических статистических методов, которых сегодня уже недостаточно в сложных ситуациях с негибкими товарами, высокими скидками или сезонностью.
«Вопросом прогнозирования продаж товаров в рамках промоакций мы начали заниматься десять лет назад, исходя из спроса своих клиентов. Традиционные решения оказались неэффективными, поэтому мы разработали собственное решение. Мы опробовали несколько подходов, и наиболее эффективным из них оказался тот, который основан на искусственном интеллекте», — говорит Петр Булава, ответственный за команду BI и аналитику данных в Sluno.
Как создается прогноз?
Продавец предоставляет нам данные о товарах; после небольшой корректировки можно использовать и данные от производителя. Входные данные, которые нам потребуются: артикулы товаров, магазинов, информация о проводимых промоакциях, их механике, принципе их работы, прямой скидке на товары и т. д. В первую очередь нас интересует история продаж, количество товаров, проданных в прошлом, и их цене. Мы убираем из данных необоснованно экстремальные значения. Мы прикрепляем цену за единицу и соответствующие ей ежедневные продажи.
Прочие входные данные – обусловливающие факторы. Например, в случае с напитками это температура наружного воздуха, в случае с другими товарами в продаже — каннибализация. Роль играет и наличие конкурирующего магазина. Чем больше обуславливающих факторов, тем лучше. Нам также необходимо знать, сколько будет стоить товар. Исходя из цены, мы очень точно определим, какое количество товара будет продано.
Эра статистики в прошлом — приветствуем деревья решений
Классические статистические методы, такие как временные ряды, недостаточны для точных расчетов. Именно поэтому мы используем метод Random Forest с искусственным интеллектом на основе решающих деревьев.
Из исторических данных о продажах алгоритм создает от сотен до тысяч решающих деревьев. Он использует 70% данных для построения деревьев и проверяет оставшиеся 30% на предмет достижения ими цели. Если алгоритм обнаружит, что неправильно сработал, то просто удаляет дерево. Затем проверенные деревья предсказывают продажу определенного товара. Каждое дерево самостоятельно определяет количество товара, которое будет продано. Результат – количество с наибольшей представленностью, среднее значение или медиана.
Составление деревьев занимает всю ночь, но сам прогноз мы получаем очень быстро, в течение нескольких минут. Можно время от времени обновлять данные и создавать новые деревья. Это позволит добавить новые знания и сделает прогноз еще более точным.
Алгоритм ничего не упускает
Алгоритм основан на человеческом подходе «посмотрим и увидим». Несмотря на огромный объем информации, он совершенно ничего не упускает. Ему не мешают большие скидки или экстраполяции, если новая цена товара выходит за пределы того, что известно из прошлых данных. Кроме того, алгоритм выявляет перекрестные эффекты скидок — каннибализацию или гало-эффект. В случае с обычными статистическими методами с этими эффектами трудно справиться.
Результат представлен в виде таблиц и графиков, но, прежде всего, его можно импортировать в ERP продавца, чтобы заказы для поставщиков или производителей могли создаваться непосредственно на основе этих расчетов. Предсказание очень точное.
Вы узнаете, что мы называем хорошим совпадением и как определить, что мы приняли правильное решение, во второй половине вебинара Питера:
Во второй половине вебинара мы покажем примеры, основанные на реальных данных наших клиентов.
Promo Forecast AI
Мы назвали этот инструмент Promo Forecast Artificial Intelligence или PFAI. Он работает в облаке с высокой степенью безопасности. Мы часто обнаруживаем, что клиенты не хотят, чтобы их данные покидали их бизнес. Мы это понимаем, поэтому также предлагаем вариант, в котором решение полностью работает локально.
С процессуальной точки зрения это не последний шаг. Следующий шаг — взять на себя эти расчеты и обработать заказы на закупку с учетом многих других факторов: товар в пути, срок годности, вместимость магазина, дни доставки поставщика и т. д. Мы поможем вам и с этим и с удовольствием расскажем подробности в следующий раз.
