Тільки за допомогою штучного інтелекту можна точно спрогнозувати промо-продажі
Як підтримувати оптимальний обсяг складських запасів? Як уникнути надмірної витрати коштів на підтримування запасів товарів, а отже уникнути втрат, обумовлених закінченням терміну придатності товарів і додатковими витратами на логістику? У невеликих магазинах забагато одиниць одного товару можуть займати місце, призначене для іншого товару. Гірша ситуація настає тоді, коли товар просто закінчується під час рекламної акції. Це завдає шкоди репутації продавця в очах клієнтів. Попит під час рекламної акції може зненацька зрости в десять разів. Кожна помилка продавця неодноразово позначиться в майбутньому, в основному на його обороті продажів.
Штучний інтелект найточнішим образом прогнозує промо-продажі. На штучний інтелект не розповсюджуються проблеми, властиві класичним статистичним методам, які сьогодні вже не вважаються достатньо придатними для вирішення складних ситуацій, якщо в розрахунках задіяні товари з нееластичним попитом чи високими знижками, або сезонні товари.
«Питанням прогнозування промо-продажів ми почали займатися десять років тому, виходячи з попиту наших клієнтів. Традиційні рішення виявилися неефективними, тому ми розробили власне рішення. Ми випробували кілька підходів, і той, що базується на штучному інтелекті, виявився найефективнішим», — каже Петр Булава, який здійснює керівництво діяльністю робочої групи фахівців з бізнес-аналітики та вирішенням питань у сфері аналітики даних у компанії Sluno.
Як створюється прогноз?
Дані про товари ми отримуємо від продавця, крім того, після незначних коригувань можна використовувати дані, отримані від виробника. Вхідні дані, які нам потрібні, — це списки товарів, магазинів, які рекламні акції існують, який в них використовується механізм, як вони працюють, чи йде мова про пряму знижку тощо. Головним чином нас цікавить історія продажів, скільки товарів вже продано й за якою ціною. Отримані дані ми очищаємо від необґрунтовано екстремальних значень. Пов’язуємо з ними ціну за одиницю товару та відповідні щоденні продажі.
Додаткові вхідні дані — це визначальні фактори. Наприклад, для напоїв — це зовнішня температура, для інших товарів, які беруть участь в акції, може йти мова про канібалізацію, також відіграє свою роль і наявність магазину-конкурента. Чим більше визначальних факторів, тим краще. Також потрібно знати, скільки коштуватиме товар. Виходячи з ціни ми дуже точно визначимо, скільки речей буде продано.
Статистика вже в минулому, в наш час вирішують дерева
Для точних розрахунків недостатньо класичних статистичних методів, як-от, часових рядів. Ось чому ми використовуємо метод Random forest із застосуванням технології штучного інтелекту на основі дерев рішень.
На основі історичних даних про продажі алгоритмом створюється від сотень до тисяч дерев рішень. У наборі даних 70 % даних використовується для побудови дерев рішень, а на 30 % даних, що залишилися, перевіряється правильність припущення. Якщо виявляється, що припущення невірне, дерево відкидається. Тобто перевірені дерева використовуються для прогнозування продажів певного товару. Кожним деревом окремо визначається, скільки конкретного товару буде продано. Значення, яке найчастіше зустрічається, або середня величина чи медіана встановлюється як результат.
Побудова дерев триває всю ніч, але сам прогноз формується дуже швидко, за лічені хвилини. Корисна практика — час від часу оновлювати дані та будувати нові дерева. Цим актуалізуються відомості, що робить прогноз ще точнішим.
Алгоритм нічого не упустить
Алгоритм працює на основі людського підходу «подивлюсь і побачу». І, незважаючи на величезний обсяг інформації, він нічого не упустить. Йому не заважають великі знижки або екстраполяція, якщо нова ціна товару виходить за межі значень, характерних для минулих даних. Крім того, алгоритм визначає перехресні впливи знижок — канібалізацію або ефект ореолу. У разі використання звичайних статистичних методів з цими ефектами важко впоратися.
Вихідні дані мають форму таблиць і графіків, але, що особливо важливо, їх можна імпортувати в Інтегровану систему управління підприємством (ERP-систему) продавця, щоб безпосередньо на основі цих розрахунків можна було створювати замовлення для постачальників або виробників. Досягається дуже точний прогноз.
У другій половині вебінару Петра ви дізнаєтеся, що ми називаємо хорошим збігом і як визначити правильність припущення:
У другій половині вебінару ми демонструємо приклади, основані на реальних даних наших клієнтів.
Promo Forecast Artificial Intelligence
Ми назвали цей інструмент Promo Forecast Artificial Intelligence або PFAI. Він запускається в хмарі з високим рівнем безпеки. Зазвичай ми стикаємося з тим, що клієнти не бажають, щоб їхні дані розповсюджувалися за межами їхньої компанії. Ми це розуміємо, тому також пропонуємо варіант, де розрахунок повністю проводиться в локальній системі.
З точки зору розвитку це не останній крок. Наступним кроком є проведення цих розрахунків і обробка замовлень на купівлю на основі багатьох інших факторів: наявності товарів в дорозі, термінів придатності товарів, місткості магазину, днів доставки товарів постачальником тощо. Ми здатні впоратися і з цими завданнями і будемо раді розповісти про це наступного разу.
