Експертиза

Прогноз попиту залежить від багатьох змінних факторів, що потребують аналізу: від історичних даних до чинників зовнішнього впливу. Врахувати всі ці змінні в мінливому середовищі досить складно. А неточне прогнозування тягне за собою збільшення зайвих операційних витрат, на кшталт логістичних, складських чи фінансових, і призводить до втрачених продажів. Про те, як покращити точність прогнозування – розповідаємо в цьому матеріалі.

Специфіка прогнозування попиту в ритейлі

Вплив промокампаній на асортимент Запуск промокампаній сприяє канібалізації суміжних товарів. Наприклад, знижки на продукцію вищої цінової категорії завжди призводять до зменшення продажів у сегменті середніх цін. Тож тут важливо зробити кількісну оцінку попиту, щоб забезпечити доступність товарів для промокампаній.

Мінливість поведінки покупців Продажі тісно пов’язані з вподобаннями покупців. Важко сказати, що стало стимулом для покупки певного товару: його ціна, брендинг або невдалий досвід клієнта з продуктом конкурента. Не меншу роль відіграє й цілісне сприйняття торгової точки у свідомості покупців. Тож, як бачимо, існує чимало чинників, що впливають на кінцеві продажі.

Загальний контекст Слід також враховувати й загальне оточення конкретного ритейлера. Тут йдеться про наявні поруч бізнеси, враховуючи суміжні сфери. Наприклад, вирушивши за продуктами, людина може помітити магазин товарів для дому і згадати про необхідність покупки засобу для прибирання. Ці фактори також мають вплив на продажі, хоч і оцінити цей вплив дуже складно.

Вплив зовнішніх факторів Сезонність, політична ситуація та особливості економіки мають вплив на попит та точність прогнозування продажів. На жаль, поки не існує таких інструментів, що могли б точно передбачити, чого чекати бізнесу в майбутньому, проте сучасні можливості прогнозу допомагають компаніям максимально швидко реагувати на зміни.

Бренд та маркетинг Взаємозв’язок певного SKU з чіткою потребою у свідомості споживача грає важливу роль. Тут на допомогу приходять рекламні кампанії та робота з розвитком бренду, що своєю чергою може збільшити продажі в рази.

Локація торгових точок Важливим у прогнозуванні попиту ритейлера є місце розташування магазинів. Від цього залежить кількість покупців та актуальність наявного асортименту товарів.

Методи традиційного ручного аналізу вже давно втратили свою ефективність на фоні математичних моделей, що базуються на використанні artificial intelligence та machine learning. Цей підхід не просто передбачає використання певної формули, а покращує точність прогнозування попиту, враховуючи внутрішні та зовнішні фактори.

Як побудувати якісний прогноз?

• Короткостроковий або операційний — щоб швидко приймати рішення на тлі частих коливань попиту
• Середньостроковий — щоб керувати ресурсами та забезпечувати бізнес-ефективність
• Довгостроковий — щоб приймати стратегічні рішення стосовно інвестицій та змін в асортиментних матрицях

Використання ручного методу для всіх описаних вище типів прогнозу робить цей процес неефективним з ряду причин:

1. Ви залежите від конкретних спеціалістів чи проєктних команд.
2. Врахувати всі чинники у форматі електронних таблиць не під силу навіть найдосвідченішим фахівцям.
3. Ручні методи здебільшого передбачають використання обмеженої кількості формул та методів.
4. Висока ймовірність людської помилки в прогнозах.

Тож щоб покращити точність прогнозування, ритейлери делегують складні математичні розрахунки прогнозу розумним системам, що здатні автоматизувати цей процес та зробити його більш ефективним завдяки використанню artificial intelligence та machine learning.

На ефективність та точність прогнозування цих систем впливає те, як часто ви вносите нові, актуальні для розрахунку дані. Що більше якісних аналітичних даних ви надаєте системі, то точніше буде працювати її математична модель. Тож якщо ви тільки замислюєтесь над впровадженням системи, що здатна підвищити точність прогнозування, то почати роботу з історичними даними та чинниками, що корегують попит, радимо вже зараз.

Які ж конкретно дані потрібні для прогнозу? Пропонуємо розглянути це на прикладі рішення SMART Demand Forecast. Це система, що здатна робити прогноз попиту як для постійних, так і для промопродажів.

Рецепт необхідних даних, які потрібно структурувати та накопичувати ритейлерам для вдалого прогнозу:

• Історія продажів
• Детальна інформація щодо промоакцій (вид промо, її часові рамки)
• Ціни
• Маркетингові активності
• Ієрархії товарів та точок продажу
• Відомості про конкурентів (вид, географія тощо)

Відсутність деяких з наведених вище даних може вплинути на точність прогнозу. Але це не обмежує вас у впровадженні системи SMART Demand Forecast. Щоб отримати більше інформації про переваги та можливості рішення, заповнюйте форму.

З компаніями, що вже готові покращити точність прогнозування, ми запускаємо пілотний проєкт, який передбачає:

• Розробку плану, формування цілей
• Опис бізнес-процесів
• Адаптацію всіх даних під єдину структуру
• Запуск моделі на деяких з SKU, що дозволить ритейлеру оцінити точність прогнозу

Далі йде етап повноцінного тестування рішення, на якому відбувається інтеграція та розгортання системи SMART Demand Forecast. Фінальним кроком стає застосування системних алгоритмів на весь асортимент товарів та всі пункти продажів. Залежно від побажань клієнта, надалі проєкт може бути переданий на технічний контроль фахівців SMART business, або ж вестись на стороні замовника.

Вплив прогнозування на основні бізнес-показники

Якісний прогноз потрібний для кращого контролю та управління ланцюгом постачань: планування запасів, покращення логістичної складової та поліпшення клієнтського досвіду. Крім цього існують додаткові переваги точного прогнозування, такі як:

Зменшення overstock Списання надлишкових товарів – це не лише недоотриманий прибуток, а ще й незаплановані витрати на утилізацію. Щоб уникнути цього, треба працювати над покращенням точності прогнозування попиту.

Покращення обіговості товарів Точне прогнозування дозволяє зменшити надлишкові резерви. Це покращує обіговість продукції та вивільняє заморожені в запасах фінанси.

Збільшення продажів Якісний прогноз забезпечить потрібний рівень доступності товарів на полицях, що сприятиме регулярним продажам без загрози out-of-stock.

Стратегічний акцент та зменшення витрат на персонал Системи для прогнозування попиту беруть майже всю механічну роботу на себе. Це дозволить поточним аналітикам сфокусуватися на більш стратегічних завданнях, а компанії не доведеться витрачати кошти на залучення нових спеціалістів.

Отже, точний прогноз стимулює позитивні зміни в багатьох бізнес-показниках. Прогноз, що базується на artificial intelligence та machine learning, враховує більше складових, що впливають на попит, та пришвидшує процес прийняття управлінських рішень в компанії.

Щоб отримати персональну консультацію щодо SMART Demand Forecast, заповнюйте форму.

Вести бізнес сьогодні – справа не з легких. Виклики, що один за одним готує реальність, значно ускладнюють цей процес, а передбачити вплив несприятливих зовнішніх чинників на ринок та поведінку споживачів іноді вкрай складно. Однією з найболючіших точок для компаній в останні роки стала змінність попиту. Все більше факторів – від дописів інфлюенсерів до неочікуваних обставин – змушують покупців частіше змінювати свою купівельну поведінку.

Проблема в тому, що ці зміни відбуваються досить несподівано, а чарівного інструменту, який міг би передбачити глобальні ситуації, що створюють ризики для компаній, поки немає. Але чи існують інші методи заглянути наперед і скорегувати свої бізнес-процеси? У цій статті говоримо про прогнозування попиту, з’ясовуємо важливість процесу та розглядаємо сучасні рішення, що на основі алгоритмів машинного навчання та штучного інтелекту можуть покращити ваше операційне планування у мінливому середовищі.

Що таке прогнозування попиту?

Це процес оцінки майбутнього попиту за допомогою аналізу історичних даних, інформації та впливу додаткових факторів. Ефективне прогнозування попиту забезпечує компанії цінною інформацією щодо можливостей на поточному та потенційних ринках і допомагає менеджерам приймати зважені рішення стосовно обсягу товарів до замовлення, просування товарів та бізнес-стратегії в цілому.

Натомість, ігноруючи цей процес, компанії ризикують прийняти помилкові рішення в розрізі продуктової стратегії та цільових ринків. А це може створити купу проблем, таких як: збільшення затрат на зберігання продукції, зменшення задоволеності клієнтів та прогалини в управлінні supply chain. Якщо коротко, то компанія або втрачає кошти, або отримує їх не в повному обсязі.

Історична ремарка

Загалом тенденція на створення окремих відділів з прогнозування попиту в компаніях з’явилась наприкінці 80-х років минулого століття. Спочатку, в більшості випадків, прогнози базувались на простих статистичних моделях та методах, як-от рухоме середнє, експоненційне згладжування, чи навіть інстинктивне судження (в простонародді “чуйка”). А потім, з розвитком технологій в області зберігання та обробки даних (Big Data), процес прогнозування попиту зазнав значних змін і став незамінним інструментом для бізнесів різних галузей та розмірів.

І якщо ринок програмного забезпечення для прогнозування попиту в 2019 році оцінювався в 3 млрд доларів, то до 2030 року очікується, що ця сума становитиме більше ніж 14,5 млрд (transparency market research). Тож чому варто звернути уваги на цю тему і як прогнозування попиту може стати частиною ваших бізнес-процесів — розповідаємо далі.

Важливість прогнозування попиту для бізнесу

Попит є драйвером всього бізнесу. Тож не дивно, що його аналіз впливає на ефективність багатьох процесів компанії. Прогнозування попиту не буває на 100% точним (тільки якщо це збіг обставин або шахрайство з розрахунками), але є необхідним, адже впливає на:

Прогнозування та планування попиту. В чому різниця?

Фактори, що впливають на попит та прогноз

Існує ряд факторів, що суттєво впливають на попит і враховуються під час прогнозування. Ось ключові з них:

Функціональні блоки SMART Demand Forecast

Блок обробки інформації

1. Обробка персональних даних у відповідності до GDPR

• Авторизація в cистемі відбувається за допомогою Microsoft Azure Active Directory;
• Персональна інформація щодо користувачів, яка оброблюється в системі псевдонімізована, та зберігається безпосередньо в Microsoft Azure Active Directory.

2. Перевірка цілісності даних

Блок моделювання

1. Фільтрація по товарах та магазинах

2. Запуск процесу навчання моделі

3. Відображення етапів тренування моделі та підготовки прогнозу

4. Скасування процесу тренування моделі та підготовки прогнозу

5. Імпорт промокампаній

6. Підготовка прогнозу та його подальше збереження

• Запустити процес підготовки прогнозування за допомогою алгоритмів машинного навчання;
• Фіналізувати підготовлений прогноз;
• Експортувати результати в форматі CSV.

Блок підбору аналогів

• Перевіряти на наявність товари / магазини, які мають недостатньо даних про фактичні продажі для прогнозування;
• Аналізувати список запропонованих аналогів товарів / магазинів;
• Обирати релевантний товар / магазин як бенчмарк.

Блок аналітичних звітів

• Ретроспективні продажі;
• Якість прогнозу на ретроспективних даних;
• Набори промокампаній, що беруть участь у прогнозуванні;
• Компенсовані продажі.

Блок налаштувань системи:

• Робити налаштування, пов'язані з навчанням та підготовкою прогнозу;
• Здійснювати моніторинг користувачів системи, їхніх прав та статусів;
• Обирати персональні налаштування;
• Задавати власні фільтри з різними наборами умов для подальшого використання в блоці моделювання.
• Налаштовувати параметри планування, зокрема зазначати:
  • Дату відкриття періоду планування;
  • Горизонт планування;
  • Необхідний часовий ряд для навчання моделі;
  • Рівні грануляції прогнозу.