Uzyskać konsultację

Blog

  • Wszyscy
  • Ekspertyza
  • Historie sukcesów
  • Wydania
3 września, 2024 15 MIN READ
W jaki sposób wdrożenie rozwiązania SMART Demand Forecast poprawiło dokładność prognozowania popytu w McDonald’s Georgia?
McDonald's Georgia to sieć restauracji szybkiej obsługi, która posiada obecnie 23 restauracje. Firma zatrudnia ponad 1500 osób i obsługuje około 35 000 gości dziennie.
wdrożenie SMART Demand Forecast
McDonald's Georgia od 25 lat utrzymuje wysoki poziom obsługi i zadowolenia swoich klientów, przyczyniając się do reputacji jednej z największych i najbardziej znanych sieci restauracji szybkiej obsługi na świecie. Dzięki inicjatywie Experience of the Future, której celem jest poprawa doświadczeń odwiedzających poprzez wprowadzenie najnowszych technologii, McDonald's Georgia zapewnia im wysokiej jakości obsługę. Dlatego zawsze chce się tu wracać, aby kolejny raz upewnić się, że naprawdę „I’m Lovin’ It!”. Elektroniczne ekrany z produktami i ofertami, kioski samoobsługowe, obsługa stolików, nowoczesna aplikacja mobilna – wiele się zmieniło od czasu otwarcia pierwszej restauracji w Tbilisi w 1999 roku. Jednocześnie Jednocześnie McDonald's Georgia zdołał zachować podstawowe wartości marki i dodać do nich własny charakter. To właśnie znana na całym świecie gościnność Sakartwelo wyróżnia sieć w swoim segmencie. Firma kontynuuje wprowadzanie nowych metod, aby poprawić jakość obsługi. Istotnym krokiem dla McDonald's Georgia było wdrożenie rozwiązania SMART Demand Forecast. To kompleksowe narzędzie ma na celu zwiększenie dokładności prognozowania popytu dzięki innowacyjnym technologiom opartym na algorytmach uczenia maszynowego i sztucznej inteligencji. To rozwiązanie jest autorskim projektem firmy SMART business, która od 15 lat wspiera cyfrową transformację biznesu w ponad 60 krajach na świecie. Dziś opowiadamy o wyzwaniach, procesie i korzyściach związanych z wdrożeniem tego rozwiązania w nowej historii sukcesu z McDonald's Georgia.

Warunki wstępne znalezienia partnera wdrożeniowego oraz jak prognozowanie popytu wyglądało przed integracją rozwiązania SMART Demand Forecast

Potrzeba wdrożenia nowego rozwiązania do prognozowania popytu w McDonald's Georgia wynikała z kilku powodów. Ale zanim o nich opowiemy, dla lepszego zrozumienia, przypomnij sobie, jak w jednej restauracji McDonald's może być tłoczno, a w innej, znajdującej się dosłownie za rogiem, jest luźno. Jednocześnie w kolejne dni sytuacja może się odwrócić. Dla klientów to kwestia kilku dodatkowych minut, ponieważ restauracje McDonald's są znane z szybkiej obsługi nawet w szczytowych momentach. Jednak z perspektywy restauracji takie wahania popytu wywołują znacznie poważniejsze wyzwania. Zespół McDonald's Georgia pozwolił zajrzeć na swoją „kuchnię” prognozowania i podzielił się informacjami, jak proces był zorganizowany przed wdrożeniem rozwiązania SMART Demand Forecast i dlaczego stary podejście wymagało transformacji. Firma miała ustalony proces prognozowania popytu, ale na poziomie całej sieci. Przy takim podejściu trudno było uwzględnić wszystkie niezbędne czynniki uwzględniające poszczególne placówki McDonald's Georgia. W związku z tym brakowało odpowiedniej szczegółowości, co prowadziło do częstej konieczności natychmiastowej reakcji zespołu na braki lub nadmiary składników. Co więcej, to wiązało się z nieprzewidzianymi kosztami logistycznymi i trudnościami w zarządzaniu zapasami. Dodajmy do tego okresy szczytowe, masowe wydarzenia w mieście i bliskość placówek do nich, różne czynniki promocyjne. W rezultacie niektóre restauracje musiały zatrudniać więcej pracowników z powodu nieprzewidzianego wzrostu popytu, podczas gdy w innych lokalach dochodziło do odwrotnej sytuacji. Wymienione czynniki sprawiły, że stało się jasne, że bardziej efektywne jest sporządzanie prognoz nie dla całej sieci, ale dla każdej restauracji z osobna. McDonald's Georgia chciała również skrócić okresy prognozowania. Przed rozpoczęciem współpracy z SMART business, prognozy były tworzone na kolejne 3 miesiące z agregacją na poziomie miesięcznym. Tak długi okres prognozowania nie uwzględniał krótkoterminowych zmian w popycie, takich jak wyraźna sezonowość, lokalne wydarzenia czy zmiany w otoczeniu konkurencyjnym. Przedstawiciele firmy zauważyli, że ponieważ wskaźnik dokładności prognozy był obliczany dla całej sieci, nie odzwierciedlał on rzeczywistej sytuacji związanej z poszczególnymi restauracjami. Przypuśćmy, że latem na poziomie całej sieci McDonald's Georgia prognozuje się, że popyt na zimne napoje wzrośnie o 20%. Ta prognoza opiera się na danych historycznych z ostatnich kilku lat i ogólnych tendencjach. W restauracji w nadmorskim mieście Batumi prognoza się sprawdza, ze względu na dużą liczbę turystów i wczasowiczów, którzy chcą się ochłodzić w gorące dni. Jednak w centralnych dzielnicach Tbilisi, zwłaszcza w pobliżu centrów biurowych, popyt na zimne napoje może wzrosnąć tylko o 10%, ponieważ większość klientów preferuje kawę, aby się pobudzić. W efekcie restauracja w Tbilisi boryka się z nadmiarem zapasów zimnych napojów.

Rozbieżności między prognozami a faktycznym popytem w poszczególnych punktach sprzedaży negatywnie wpływały na zarządzanie zapasami, co zwiększało nasze koszty. Ręczne prognozowanie nie pozwalało skutecznie uwzględnić wszystkich czynników, nawet jeśli rozumieliśmy wszystkie zależności przyczynowo-skutkowe. Po przeanalizowaniu rynku, zdaliśmy sobie sprawę, że potrzebujemy rozwiązania opartego na sztucznej inteligencji, które potrafi przetwarzać duże ilości danych i automatycznie uwzględniać liczne czynniki

  • Giorgi Asatiani Head of BI & Data Analytics, BI & Data Analytics Department McDonald's Georgia

Jakie były wymagania dotyczące nowego systemu prognozowania i dlaczego wybrano rozwiązanie SMART business?

McDonald's Georgia miała kilka kluczowych wymagań wobec przyszłego systemu:
  • Nowe rozwiązanie musiało umożliwiać prognozowanie z agregacją na poziomie tygodnia. Takie podejście pozwoliłoby precyzyjniej uwzględniać krótkoterminowe zmiany w popycie, takie jak sezonowe wahania, lokalne wydarzenia oraz inne czynniki, które mogą znacząco wpływać na sprzedaż w danym tygodniu.
  • Dla klienta ważna była również granulacja na poziomie produktu i konkretnej restauracji. Jak już wcześniej wspomniano, każda restauracja McDonald's może mieć różny poziom popytu na poszczególne produkty. Prognozowanie na poziomie każdej restauracji i poszczególnych produktów pozwalało uwzględnić te różnice. To zapewniłoby dokładniejsze prognozy i pomogło uniknąć sytuacji, w której w jednym lokalu brakuje towaru, a w innym jest jego nadmiar. W efekcie, taka szczegółowość zwiększa efektywność zarządzania zapasami i zmniejsza koszty firmy.
  • McDonald's Georgia poszukiwała rozwiązania, które pozwoliłoby jej wprowadzić scentralizowany system prognozowania. Firma chciała zapewnić spójność danych i prognoz w całej sieci restauracji, aby uniknąć rozbieżności i błędów występujących podczas ręcznego prognozowania.

Wybierając nowy system prognozowania popytu, odkryliśmy, że rozwiązanie SMART Demand Forecast potrafi prognozować zarówno regularną sprzedaż, jak i sprzedaż promocyjną. Szczególnie zainteresowała nas zdolność systemu do pracy z odpowiednikami i anomaliami. Dostawca szczegółowo opisał nam proces wdrożenia, który obejmował uruchomienie projektu pilotażowego z możliwością oceny dokładności prognoz już na początkowym etapie. Ponadto, jasno określona mapa rozwoju produktu dała nam pewność co do długoterminowej współpracy, co ostatecznie przesądziło o wyborze rozwiązania od SMART business

  • Giorgi Asatiani Head of BI & Data Analytics, BI & Data Analytics Department McDonald's Georgia
Dowiedz się więcej

W jaki sposób rozwiązanie SMART Demand Forecast zostało wdrożone w McDonald's Georgia?

Wdrożenie rozwiązania SMART Demand Forecast w procesy biznesowe McDonald's Georgia przebiegało w trzech etapach: diagnostyka, modelowanie i implementacja.
  • Diagnostyka Na początku zespół SMART business szczegółowo przeanalizował, jak obecnie funkcjonują procesy biznesowe klienta („as is”). W kolejnej fazie nakreślono jasną wizję, jak prognozowanie będzie działać w McDonald's Georgia po wdrożeniu rozwiązania SMART Demand Forecast. Wartość tego kroku polegała na tym, że SMART business zaproponował klientowi nowoczesne podejście i narzędzia do budowy dokładnych prognoz, bez konieczności zmiany istniejących procesów biznesowych firmy.
Następnie opracowano schemat procesów z dokładnym opisem, aby zespół McDonald's Georgia miał jasność co do przyszłych kroków i możliwości planowania dalszych działań zgodnie z planem. Dodatkowo, przydzielono role i obowiązki, ustalono terminy oraz priorytety. Wszystko to zapewniło uporządkowane podejście do wdrożenia zmian i gwarantowało, że wszyscy uczestnicy projektu rozumieją swoje zadania i zakes obowiązków. Dzięki temu wdrożenie przebiegło maksymalnie sprawnie i efektywnie. Na etapie diagnostyki uzgodniono z klientem zunifikowaną strukturę danych, która będzie wykorzystywana przez system SMART Demand Forecast do budowy prognoz popytu. Warto podkreślić, że dla rozwiązań opartych na algorytmach ML i AI zunifikowana struktura danych jest kluczem do efektywnej pracy modelu i wysokiej dokładności prognoz. Zespół projektowy SMART business przeanalizował kluczowe procesy biznesowe klienta i przedstawił McDonald's Georgia gotowy szablon. Klient musiał jedynie zebrać i przekazać dostawcy niezbędne dane. Co więcej, SMART business opracował dokumentację techniczną opisującą wszystkie aspekty wdrożenia i użytkowania rozwiązania przez McDonald's Georgia.

Dla nas istotne było to, że dostawca samodzielnie określał, jakie dane są potrzebne do stworzenia dokładnej prognozy popytu, opierając się na swojej wiedzy i specyfice naszych procesów biznesowych. Z naszej strony wystarczyło dostarczyć informacje zgodnie z uniwersalną strukturą danych (sprzedaż, hierarchia produktów, kampanie promocyjne, czynniki zewnętrzne i inne). Zespół SMART business dostosował te dane i zbudował modele ML, które są wykorzystywane w systemie i uwzględniają aspekty kanibalizacji oraz dodatkowe czynniki obliczeniowe, które znacząco wpływały na popyt

  • Giorgi Asatiani Head of BI & Data Analytics, BI & Data Analytics Department McDonald's Georgia
I faktycznie, zespół SMART business przeanalizował i zidentyfikował kluczowe czynniki wpływające na prognozy, o których klient mógł wcześniej nie wiedzieć. Był to żmudny i wieloetapowy proces, obejmujący dokładny audyt i obserwację, wywiady z kluczowymi pracownikami, zastosowanie zaawansowanych metod analizy dużych zbiorów danych oraz algorytmów uczenia maszynowego. Zespół korzystał z narzędzi do wizualizacji danych, aby lepiej przedstawić wyniki. Podczas etapu diagnozy udało się zidentyfikować wiele lokalnych wyzwań, przed którymi stoi McDonald's Georgia, i które musiały być uwzględnione podczas wdrażania rozwiązania. Oto najciekawsze z nich:
  • Anomalie – czyli nietypowe i nieprzewidziane wzrosty lub spadki sprzedaży, które odbiegają od standardowych wzorców. W McDonald's może to być sytuacja, gdy autobus z turystami zatrzyma się przy restauracji, co prowadzi do nagłego wzrostu sprzedaży w danym lokalu. Tego typu zdarzenia nie są systematyczne i nie są uwzględniane w standardowych danych, dlatego są klasyfikowane jako anomalie. Rozwiązanie SMART Demand Forecast identyfikuje takie nieprzewidziane zmiany i eliminuje je z danych, aby nie zakłócały procesu prognozowania.
  • Sezonowość poszczególnych produktów – klient posiada wiele różnych SKU, które są zależne od sezonowości. Na przykład, popyt na McFlurry zazwyczaj wzrasta latem, gdy jest gorąco. System automatycznie oblicza specjalne czynniki sezonowe i współczynniki.
  • Prognozowanie popytu na nowe produkty wprowadzane podczas kampanii promocyjnych – trudność polega na tym, że nowe produkty nie mają danych historycznych dotyczących sprzedaży. Jednak SMART Demand Forecast wykorzystuje zintegrowane podejście, które uwzględnia różne czynniki, takie jak podobne produkty, ogólne wzorce sprzedaży, trendy sezonowe i inne czynniki. To podejście znacznie różni się od tradycyjnego, ręcznego prognozowania, które często jest ograniczone, jeśli chodzi o przetwarzanie dużych ilości danych. Zautomatyzowane rozwiązanie pozwoliło szybciej i dokładniej przetwarzać dane, co zapewniło bardziej precyzyjne prognozy dla nowych produktów.
Warto również wspomnieć, że jeśli klient ma nietypowe wymagania, które muszą być uwzględnione w prognozach, rozwiązanie SMART Demand Forecast umożliwia ręczne prognozowanie popytu. Ta funkcja pozwala na szybkie wprowadzanie dodatkowych danych i elastyczne reagowanie na zmiany warunków rynkowych. Dodatkowo, omówiono możliwość automatyzacji wszelkich specyficznych potrzeb na życzenie klienta w przyszłości. Ostatnim krokiem diagnozy było przygotowanie się do kolejnego etapu – modelowania.
  • Modelowanie Głównym zadaniem tego etapu w McDonald's Georgia było trenowanie modelu sztucznej inteligencji, aby jego algorytmy były maksymalnie dopasowane do potrzeb biznesowych. Ponieważ podejście „fit once = fit every time” nie sprawdza się w różnych firmach, nawet z tej samej branży, zespół SMART business dostosował model do specyfiki McDonald's Georgia.

Na początku, na podstawie podstawowych czynników wpływających na popyt, takich jak dzień tygodnia, dane dotyczące sprzedaży z poprzednich miesięcy, ceny produktów i inne, zbudowano model podstawowy, który zapewnił pewien poziom dokładności prognoz. Następnie przeszliśmy do optymalizacji modelu, dodając nowe czynniki: współczynniki kanibalizacji, współczynniki sezonowe, czynniki elastyczności itp. Obserwowaliśmy, co się poprawiło, a co nie. Kluczowe było, aby nie przesadzić i nie przeciążyć systemu nadmierną ilością danych, ponieważ nadmiernie dopasowany model może generować błędne prognozy. Nasz zespół posiadał dogłębną wiedzę oraz wszystkie niezbędne narzędzia do określenia znaczenia każdego czynnika. Pozwoliło nam to odfiltrować mniej istotne czynniki, zmniejszyć „szum” danych i poprawić dokładność prognoz dla każdej restauracji McDonald's Georgia

  • Artem Stepanow Product Owner SMART Demand Forecast
Zamów prezentację

Co McDonald's Georgia zyskała dzięki wdrożeniu SMART Demand Forecast?

Po określeniu kluczowych czynników, model zaczął generować stabilne wyniki prognozowania. Zdefiniowano optymalną liczbę czynników, dzięki którym McDonald's Georgia może uzyskać maksymalnie dokładne wskaźniki przy minimalnych odchyleniach. Sukces projektu został określony poprzez osiągnięcie dokładności prognozy na poziomie 70-80%:
  1. dla okresu 4 tygodni kalendarzowych od początku okresu planowania;
  2. dla każdego tygodnia kalendarzowego;
  3. dla każdej z 21 podanych restauracji sieci.
Projekt rozpoczął się w październiku 2023 roku i został w pełni wdrożony w lipcu 2024 roku. Sukces wdrożenia można było zaobserwować już na etapie projektu pilotażowego. Został on uruchomiony latem, kiedy pojawia się wiele różnych czynników sezonowych, a popyt w McDonald's Georgia jest z reguły najwyższy. W rezultacie udało się osiągnąć następujące wskaźniki, które nawet przewyższyły oczekiwania:
  • 83% dokładności prognozowania sprzedaży dla każdego lokalu na podstawie tygodniowej agregacji danych za okres 4 tygodni.
  • 80% dokładności prognozowania sprzedaży dla każdego lokalu na podstawie tygodniowej agregacji danych za okres 12 tygodni.
  • Odchylenia od prognozy średnio do 5%, co jest normą wśród globalnej społeczności biznesowej.

Jesteśmy niezwykle zadowoleni z wyników wdrożenia rozwiązania SMART Demand Forecast. Dzięki temu projektowi byliśmy w stanie znacznie poprawić dokładność prognozowania popytu w każdej z naszych placówek. A kiedy otrzymaliśmy pierwsze wyniki, wyraźnie zrozumieliśmy, że zwrot z tej inwestycji uzyskamy bardzo szybko. Jesteśmy wdzięczni za ogromny profesjonalizm i dobrze skoordynowaną pracę całego zespołu SMART, którego rozwiązanie pomaga nam poczuć i zrozumieć nasze procesy biznesowe jak nigdy dotąd

  • Giorgi Asatiani Head of BI & Data Analytics, BI & Data Analytics Department McDonald's Georgia
Mimo tak wysokich wyników, wciąż dążymy do doskonalenia procesu prognozowania. McDonald's Georgia wraz z zespołem SMART business zamierza dalej rozwijać funkcjonalność SMART Demand Forecast, aby wdrożyć także prognozowanie omnichannel.

Wdrażanie rozwiązań opartych na AI wymaga stałej współpracy, analizy podejmowanych kroków i prowadzenia aktywnej komunikacji pomiędzy dostawcą a klientem, co w połączeniu przynosi znakomite rezultaty, które udało nam się osiągnąć z McDonald's Georgia. Nasze zespoły pozostawały w stałym kontakcie i szybko odpowiadały na pytania, co miało pozytywny wpływ na wydajność i sukces tego projektu oraz stworzyło solidne podstawy do dalszej współpracy

  • Artem Stepanow Product Owner SMART Demand Forecast
Misją SMART business jest pomaganie przedsiębiorcom w lepszym zrozumieniu przyszłości, aby zminimalizować ryzyko i być gotowym na wszelkie wyzwania. Firma jest dumna z tego, że przyczynia się do sukcesu swoich klientów na całym świecie, wspierając ich w realizacji kluczowych celów.
24 lipca, 2024 7 MIN READ
Release 4 0 SMART PL
Wersja 4.0. SMART Demand Forecast: prognozowanie stało się jeszcze wygodniejsze
Nowoczesny system prognozowania popytu SMART Demand Forecast wykorzystuje wieloczynnikowe modele, zaawansowane algorytmy oraz analizuje ogromne ilości danych, aby dostarczać dokładne wyniki. Dlatego nieustannie pracujemy nad tym, aby tworzenie dokładnych prognoz było łatwe i szybkie, pozostawiając skomplikowane procesy systemowi. Zmiany w interfejsie, udoskonalenia modeli, dodanie nowych funkcji – wszystko to dla osiągnięcia lepszych wyników biznesowych. Aktualizacje SMART Demand Forecast sprawią, że proces prognozowania będzie jeszcze wygodniejszy i dokładniejszy. Nowe funkcje i ulepszenia mają na celu poprawę doświadczenia użytkownika, uproszczenie konfiguracji oraz optymalizację algorytmów prognozowania. Dzięki wprowadzeniu tych aktualizacji użytkownicy będą mogli szybciej i łatwiej uzyskiwać dokładne prognozy, co pomoże im podejmować bardziej uzasadnione i efektywne decyzje zarządcze. W tym artykule przyjrzymy się nowym funkcjom systemu. Udoskonalona praca z anomaliami: dodano możliwość ręcznego korygowania i trzy tryby wyświetlania Na stronie „Przetwarzanie anomalii” pojawiła się opcja ręcznego korygowania naprawy anomalii. Można wprowadzać zmiany w anomaliach na wszystkich dostępnych poziomach produktu i firmy, po czym inne zależne wartości są przeliczane. Ponadto, na głównym panelu można teraz przełączać się między różnymi trybami i wyświetlać informacje dla wybranego okresu: tygodnia, miesiąca lub roku. Podział zbioru danych na mniejsze części ułatwia ich wyświetlanie i wyszukiwanie. Nowe podejście do pracy z anomaliami poprawia takie metryki jak Time to Interactive (TTI) i First Contentful Paint (FCP), zapewniając tym samym wygodną pracę z dużymi zestawami anomalii. Dodano możliwość ręcznego korygowania wyników prognozy Można ręcznie modyfikować wyniki prognozy na stronie „Modelowanie”. Korekta jest stosowana do wszystkich dostępnych poziomów produktów i działalności. System automatycznie dystrybuuje zmiany do najniższego poziomu prognozy. Ta możliwość zarządzania prognozami zwiększa dokładność danych w zależności od zmian zachodzących w firmie lub na rynku. Wdrożono automatyczne rozpoznawanie najlepszego modelu W systemie można zobaczyć najlepszy model, który SMART Demand Forecast automatycznie zaleci na podstawie jego metryk z okresów walidacji. Wybrany model można znaleźć na liście z odpowiednim oznaczeniem, które wyróżni go spośród innych. W ten sposób można zaoszczędzić czas na identyfikowaniu najlepszej opcji spośród proponowanych. Teraz analiza nie zajmie zbyt wiele czasu, a prognozę będzie można tworzyć szybciej i efektywniej. Dodano możliwość korygowania warunków dla kampanii promocyjnych Teraz można zmieniać ustawienia kampanii promocyjnych, takie jak data rozpoczęcia i zakończenia, produkt, sklep, typ promocji, cena regularna i promocyjna oraz rabat, bezpośrednio w interfejsie systemu. Zmiany są zapisywane w systemie po sprawdzeniu i zastosowaniu wprowadzonych wartości. Takie podejście znacznie oszczędza czas potrzebny na wprowadzanie zmian, ponieważ nie trzeba już ponownie przesyłać plików CSV ze zaktualizowanymi danymi. Od teraz planowanie kampanii promocyjnych staje się bardziej elastyczne, a tym samym bardziej skuteczne. Dodano nowe filtry i sortowanie dla tabeli anomalii Na stronie „Przetwarzanie anomalii” można teraz szybko filtrować i sortować dane według parametrów „sklep” i „produkt”. Filtrowanie ułatwia grupowanie danych, co sprawia, że są one bardziej uporządkowane i łatwiejsze do analizy. Dodano środowisko Data Science do trenowania modeli Wyodrębniono osobne środowisko przeznaczone do trenowania modeli, grupy czynników na zakładce DS Settings. Analitycy i zespoły Data Science mają teraz dodatkowe narzędzie do osiągania większej dokładności prognoz. Zmniejsza to czas potrzebny na eksperymenty i zwiększa efektywność dostosowywania systemu do specyficznych procesów biznesowych. Dodano możliwość wyboru formatu daty i godziny Aby ułatwić korzystanie z systemu, można ustawić odpowiednią strefę czasową, aby zsynchronizować czas na urządzeniu lub w regionie pracy użytkownika. Aby ustawić godzinę, należy przejść do opcji Ustawienia użytkownika > Ustawienia profilu i wybrać żądany format. Wdrożono sprawdzanie analogów produktów i sklepów z niewystarczającą historią Można uzyskać informacje o tym, jak prawidłowo został przypisany analog z innej kategorii dla określonego produktu lub sklepu. Automatyczna weryfikacja minimalizuje błędy i zapewnia jakość prognozowania, zwiększając dokładność i niezawodność ustalania analogów. Ulepszono działanie przełączników i filtrów w tabelach i oknach modalnych W przypadku zapytania z nowymi warunkami filtrowania wszystkie poprzednie zapytania są anulowane, a aktywne pozostają tylko odpowiednie parametry. Anulowanie zbędnych zapytań poprawia szybkość działania systemu i ułatwia pracę z filtrami. Teraz można szybko zmieniać parametry i uzyskiwać zaktualizowane wyniki bez ręcznego anulowania zapytań. Udoskonalono algorytm Isolation Forest Można teraz używać dodatkowych czynników z Uniwersalnej Struktury Danych do wyszukiwania anomalii. W systemie dostępny jest przełącznik umożliwiający korzystanie z dodatkowych czynników podczas wyszukiwania anomalii za pomocą algorytmu Isolation Forest. Ta opcja pozwala precyzyjniej i bardziej elastycznie identyfikować rzeczywiste anomalie w sprzedaży, uwzględniając różne czynniki, takie jak cena, cechy produktu i sklepu. Uproszczono pracę z elementami grupowymi Teraz można zwijać i rozwijać elementy grupowe interfejsu na różnych stronach systemu. Ustawienia są automatycznie zapisywane i można z nich korzystać przy kolejnym logowaniu. Pomaga to organizować interfejs zgodnie z potrzebami, szybko znajdować ważne informacje i pracować z potrzebnymi danymi. Dodano nowy blok „Czynniki pogodowe” (Volume Building Block) Teraz można korzystać z czynników pogodowych, aby trenować i oceniać modele. Wszystko, czego system potrzebuje, to dane o geolokalizacji punktów sprzedaży. Czynniki te obejmują opady, temperaturę, wilgotność i inne cechy pogodowe. Nowa funkcjonalność znacząco poprawi jakość prognozowania dla produktów sezonowych. Dodano podstawowy model prognozowania Baseline Nowy podstawowy model – Baseline, który jest oparty na regresji liniowej – można teraz wykorzystać do trenowania i oceny prognozowania. Model ma podstawowy zestaw czynników z USD i nie jest obciążony obliczaniem dodatkowych czynników, co pozwala mu uczyć się i przedstawiać wyniki wielokrotnie szybciej niż tradycyjne modele. Podejście to jest szczególnie istotne w przypadku wyznaczania trendów – szybkie uzyskanie wyniku przy wykorzystaniu określonej liczby parametrów, co jest klasyczną metodą przeprowadzania wstępnej analizy na etapie planowania długoterminowych kampanii. Wprowadzono nowe podejście do korzystania z Azure Spot Instances System SMART Demand Forecast może teraz znacznie zaoszczędzić swoje zasoby Azure Databricks, które są wykorzystywane podczas intensywnych procesów trenowania i oceny modeli prognozowania. Podejście to polega na utrzymywaniu zasobów obliczeniowych w określonej wspólnej grupie zasobów, gdzie ceny są znacznie niższe ze względu na niewielką szansę, że zasoby te zostaną przekazane bardziej uprzywilejowanym użytkownikom. Procesy zachodzące w systemie nie ucierpią na tym przeniesieniu. Pozwala to zaoszczędzić czas poświęcany na trenowanie i ocenę procesów oraz uzyskać ulepszoną funkcjonalność bez zwiększania ponoszonych kosztów. Poprawiono jakość kodu rdzenia ML W ramach bieżącej wersji przetestowaliśmy i wdrożyliśmy ulepszenia kodu frameworków Databricks i Azure Machine Learning. Wdrożono automatyczne potoki umożliwiające dostosowanie kodu do standardu Pep-8. Poprawiono wydajność kodu i procesów CI/CD. System stał się jeszcze bardziej stabilny i niezawodny. Zoptymalizowano rozwiązania backendowe Wprowadzono zmiany dotyczące sekcji Domain Driven Design i przetwarzania statusów, mikrousług zapewniających dostęp do Azure Data Factory. Te zmiany optymalizują i poprawiają doświadczenie użytkownika podczas pracy z systemem.
13 lutego, 2024 14 MIN READ
Prognozowanie w łańcuchu dostaw: Jak osiągnąć idealną równowagę podaży i popytu?
Jeśli łańcuch dostaw jest ścieżką towarów od surowców do konsumenta końcowego, to dokładność prognozy popytu konsumpcyjnego określi, jak efektywnie ten proces będzie przebiegał. Oznacza to, że wszyscy uczestnicy łańcucha – od firm produkcyjnych po detalistów – będą w stanie wykorzystać swoje zasoby w celu maksymalizacji zysków i optymalizacji kosztów. W rzeczywistości prognoza popytu jest punktem wyjścia dla całego łańcucha. Określa ona obciążenie pracą i "harmonogram pracy" wszystkich jego ogniw. Stanowi podstawę planowania produkcji, a dla dystrybutorów i sklepów detalicznych jest podstawą do zakupu i transportu towarów. Błędy w tym zakresie mogą być bardzo kosztowne. Niedobór wyprodukowanych lub zakupionych produktów w momencie popytu oznacza utratę sprzedaży lub dodatkowe koszty spowodowane koniecznością pilnego uzupełnienia zapasów. Według RetailDive, firmy tracą około 1 biliona dolarów rocznie z powodu niemożności zaspokojenia popytu klientów na czas. Równie niefortunnym zjawiskiem jest nadmierne gromadzenie zapasów. Nadmierne zapasy wymagają dodatkowych kosztów na przechowywanie towarów, na które nie ma popytu, a w przypadku towarów o ograniczonym okresie przydatności do spożycia – na ich odpisanie. Możesz łatwo obliczyć, jak dokładne prognozowanie wpłynie na sprzedaż Twojej firmy, korzystając z naszego interaktywnego kalkulatora. Właśnie dlatego innowacyjne firmy coraz częściej wdrażają nowoczesne rozwiązania do prognozowania wykorzystujące sztuczną inteligencję, a jednym z nich jest SMART Demand Forecast. Rozwiązania te pozwalają tworzyć prognozy tak dokładne, jak to tylko możliwe, biorąc pod uwagę dużą ilość różnorodnych danych i identyfikując nieoczywiste wzorce. Według badania przeprowadzonego przez McKinsey & Company, 20% firm korzysta już z najnowszych technologii planowania i prognozowania popytu w łańcuchu dostaw z wykorzystaniem sztucznej inteligencji. A 60% organizacji już planuje wdrożenie takich technologii. Reszta nadal korzysta z analiz ekspertów, biorąc pod uwagę trendy w historii sprzedaży i spostrzeżenia analityków biznesowych. Doświadczenie pokazuje jednak, że takie obliczenia są często znacznie mniej dokładne niż wyniki dostarczane przez narzędzia z odpowiednio dobranymi i skonfigurowanymi algorytmami sztucznej inteligencji. Istnieją różne rodzaje prognozowania popytu w zarządzaniu łańcuchem dostaw: ilościowe, jakościowe itp. Jednak najlepsze praktyki zazwyczaj obejmują algorytmy sztucznej inteligencji i zaawansowaną analitykę.

Korzyści płynące z dokładnego prognozowania popytu w zarządzaniu łańcuchem dostaw

Narzędzia do prognozowania, takie jak SMART Demand Forecast, mogą znacznie zmniejszyć powyższe ryzyko i zwiększyć wydajność zarządzania łańcuchem dostaw. Przyjrzyjmy się bliżej korzyściom, jakie firmy uzyskują dzięki dokładnej prognozie popytu. Minimalizacja utraconej sprzedaży  Jak pokazują powyższe statystyki, firmy tracą znaczne kwoty pieniędzy z powodu niemożności zaspokojenia popytu konsumentów. Dzieje się tak, ponieważ analitycy nie wzięli pod uwagę czynników lub ukrytych wzorców, które doprowadziły do bardziej intensywnego wzrostu popytu na niektóre grupy produktów niż oczekiwano. W związku z tym podaż produktów nie można było zorganizować na odpowiednim poziomie. W efekcie organizacje znalazły się w sytuacji, w której po prostu nie były w stanie sprzedać popularnego produktu ze względu na jego niedostępność. Mogą też być narażone na dodatkowe wysiłki i inwestycje w celu jak najszybszego uzupełnienia zapasów, przepłacając za pilną realizację zamówień. Zwiększenie lojalności klientów  Jeśli klient lub kupujący ma trudności z zakupem produktów, których potrzebuje, sytuacja ta może mocno zaszkodzić wizerunkowi dostawcy lub sklepu oraz całej sieci. Słaba obsługa doprowadzi do tego, że co najmniej stracisz lojalność klientów, a najczęściej – stracisz ich całkowicie. Jednocześnie pozyskiwanie nowych klientów jest znacznie droższe niż utrzymanie tych obecnych. Ponadto, jeśli nie masz towarów, gdy jest na nie popyt, stracisz zysk. Dokładne prognozowanie pomaga utrzymać wymagany poziom zapasów przez cały czas, zwłaszcza podczas trwania kampanii promocyjnych. Możliwość szybkiego reagowania na wahania popytu Jedną z trudności w prognozowaniu podaży i popytu jest zmienność zachowań konsumentów, na którą może wpływać wiele czynników – od nowych trendów po działania konkurencji, a nawet pogodę. Oczywistym jest, że nawet sztuczna inteligencja nie jest w stanie uwzględnić nieprzewidywalnych czynników, gdyż przetwarza jedynie dane, które zostaną jej podane. Jednak z pewnością będzie w stanie uwzględnić wszystkie czynniki niezbędne do dokładniejszego i terminowego prognozowania wahań popytu, co pomoże w bardziej wydajnym i elastycznym zarządzaniu łańcuchem dostaw. Niższe wydatki na logistykę  Niedokładne prognozowanie popytu w łańcuchu dostaw prowadzi również do ponoszenia dodatkowych kosztów logistycznych. Na przykład, jeśli prognoza dla sieci sklepów opiera się wyłącznie na szacunkach i założeniach analityków, oznacza to, że:
  • prognoza będzie często mniej dokładna i bardziej pesymistyczna niż realistyczna;
  • zazwyczaj będzie ona tworzona dla całej sieci, a następnie zostanie ona dostosowana do konkretnych punktów sprzedaży.
W rezultacie niektóre sklepy będą zwykle miały nadmiar produktów, podczas gdy inne będą miały ich niedobór. Aby zlikwidować tę nierównowagę, firmy muszą dokonywać realokacji towarów pomiędzy punktami sprzedaży, co z kolei prowadzi do dodatkowych kosztów logistycznych. Koszty te zwiększają koszty produkcji i wpływają na marże. Nowoczesne narzędzia umożliwiają prognozowanie popytu na poszczególne produkty dla każdego punktu sprzedaży. Dzięki temu możemy zapewnić optymalne zapasy we wszystkich sklepach sieci. Niższe koszty magazynowania  Błędnie przeszacowana prognoza popytu powoduje, że część produktów pozostaje niesprzedana. Muszą być one przechowywane w magazynach i stają się tzw. "zamrożonym kapitałem" organizacji, co wiąże się z dodatkowymi kosztami wynajmu powierzchni magazynowej.  Zmniejszenie liczby strat Nadmiar niesprzedanych towarów o ograniczonym okresie przydatności do spożycia często prowadzi do tego, że w pewnym momencie muszą one zostać spisane na straty. Oznacza to, że wszystkie pieniądze zainwestowane w ich zakup, dostawę i przechowywanie są po prostu marnowane. Co więcej, sam proces odpisywania wiąże się z pewnymi kosztami. Aby przynajmniej częściowo uniknąć odpisów, firmy zmuszone są sprzedawać produkty w znacznie niższych cenach, jednocześnie wydając dodatkowe środki na działania marketingowe. Skuteczniejsze promocje  Korzystanie z narzędzi do prognozowania podaży i popytu może sprawić, że promocje będą skuteczniejsze i łatwiejsze w zarządzaniu. Wymaga to jednak systemów, które mogą obliczyć wielkość zarówno regularnej, jak i promocyjnej sprzedaży. SMART Demand Forecast jest jednym z takich systemów. Pomagają one na przykład określić optymalny rabat dla określonych produktów. Powiedzmy, że planujesz obniżyć cenę produktu o 30%. System może stwierdzić, że przy takim rabacie popyt będzie tak wysoki, że dostawcy nie będą w stanie go zaspokoić. Natomiast, powiedzmy, przy rabacie 15% sprzedasz mniej, ale zarobisz więcej ze względu na wyższą cenę. Na podstawie prognozy systemu menedżer łańcucha dostaw będzie mógł podjąć świadomą decyzję o tym, jaką liczbę produktów zakupić w zależności od optymalnego rabatu. Dodatkowo, narzędzia z funkcjonalnością prognozowania sprzedaży promocyjnej są w stanie uwzględnić tzw. kanibalizację, która jest bardzo istotna. W przypadku ustalenia rabatu na dany produkt, większy popyt na niego "zjada" sprzedaż podobnych produktów niepromocyjnych. Niektóre firmy prognozują tylko regularną sprzedaż, a jednak prognozy są zawsze błędne, ponieważ nie uwzględniają czynnika kanibalizacji. Systemy takie jak SMART Demand Forecast automatycznie i dokładnie zmniejszają prognozę popytu na produkty niepromocyjne i zwiększają ją dla podobnych produktów z rabatem. Skuteczniejsza polityka cenowa  Dokładne prognozy wahań popytu na różne produkty pomagają również ustalić dla nich optymalne ceny. Na przykład, jeśli system "widzi", że spodziewany jest gwałtowny wzrost popytu na dany produkt, powoduje to wzrost ceny i odwrotnie. Ponadto rozwiązanie do prognozowania pomoże określić, przy jakiej cenie sprzedaż będzie najbardziej efektywna. Funkcje prognozowania dla producentów i dystrybutorów Prognozowanie popytu jest punktem wyjścia dla wszystkich uczestników łańcucha dostaw, w tym producentów i dystrybutorów. Prognoza jest punktem wyjścia do planowania produkcji. Służy do obliczania wymaganej ilości surowców i zdolności produkcyjnych w celu zaspokojenia oczekiwanego popytu. Uwzględnia poziom zapasów gotowych produktów, a także procesy produkcyjne, które zostały już uruchomione. Podczas gdy takie firmy zazwyczaj zarabiają na sprzedaży do dystrybutorów, tzw. "sprzedaży pierwotnej", ważne jest, aby wziąć pod uwagę "sprzedaż wtórną" w celu uzyskania prawidłowej prognozy: ile produktów dystrybutor wyśle do sprzedawców detalicznych. Na przykład, jeśli dystrybutor planuje uruchomić promocję na określone produkty dla sklepów, oznacza to, że kupi więcej odpowiednich produktów od producenta, aby zaspokoić wyższy popyt ze strony sprzedawców detalicznych. Może się również zdarzyć, że dystrybutor wysłał do sklepów więcej produktów niż zakupił w danym okresie rozliczeniowym. Stosunek towarów zakupionych do towarów sprzedanych przez dystrybutorów pomoże określić, ile produktów zostanie zakupionych w następnym okresie rozliczeniowym. Dystrybutorzy tworzą własne prognozy na podstawie wewnętrznych informacji od sprzedawców detalicznych (planowane promocje w sklepach, prognozy sprzedaży itp.). Ponieważ jednak informacje te nie zawsze są dostępne, dystrybutorzy muszą posiadać pewien zapas towarów, który ustalany jest na podstawie odchyleń od wcześniejszych prognoz. Kluczowe jest dla nich utrzymywanie zapasów, które z jednej strony nie są nadmierne, a z drugiej zapewniają stałą dostępność niezbędnych towarów. Jeśli w pewnym momencie dystrybutor nie będzie miał wystarczającej liczby produktów dla detalisty, ten ostatni skorzysta z usług innego dostawcy lub zawrze bezpośrednią umowę z producentem. W ten sposób dystrybutor po prostu wypada z łańcucha dostaw.

Jak sztuczna inteligencja pomaga tworzyć dokładne prognozy popytu

Rozwiązania oparte na sztucznej inteligencji do prognozowania popytu w łańcuchu dostaw znacznie upraszczają obliczenia analityczne i zwiększają ich dokładność. Przyjrzyjmy się bliżej korzyściom płynącym z korzystania z takich narzędzi. Obniżenie kosztów pracy Jeśli firma nie korzysta z nowoczesnych narzędzi do prognozowania popytu, jest zmuszona zatrudniać dużą liczbę analityków. Ale nawet cały dział analityczny potrzebuje dużo czasu na agregowanie informacji, wykonywanie złożonych obliczeń, przetwarzanie dużych ilości danych oraz identyfikowanie różnych zależności i trendów. Korzystając z rozwiązań AI do prognozowania popytu, analityk musi jedynie przesłać poprawne i kompleksowe dane do systemu, uruchomić proces obliczeniowy i otrzymać gotową prognozę. Pozostaje tylko przedstawić wynik kierownictwu, wyjaśnić, dlaczego wynik jest dokładnie taki i zasugerować rozwiązania, które zbliżyłyby prognozę do planów biznesowych organizacji. W ten sposób analityk zyskuje więcej czasu na aktywne uczestnictwo w podejmowaniu decyzji i musi mniej poświęcać się kłopotliwym i skomplikowanym zadaniom. Z niekończącego się rutynowego "pracownika obsługi komputera" staje się on ekspertem w dziedzinie prognozowania. Minimalizacja błędów ludzkich Rozwiązania do prognozowania podaży i popytu minimalizują również możliwość wystąpienia błędu ludzkiego, który może być bardzo kosztowny dla firm. Analityk nie musi wykonywać żadnych obliczeń. Wszystkie niezbędne formuły i algorytmy są już wbudowane w system. Użytkownik rozumie, w jaki sposób obliczana jest prognoza, ale proces jest automatyczny – szybki i gwarantujący poprawność. Jednolita baza danych Dzięki narzędziom takim jak SMART Demand Forecast wszystkie informacje są przechowywane w jednej, ujednoliconej bazie danych. W firmach, które nie korzystają z takich rozwiązań do prognozowania, analitycy zwykle muszą łączyć informacje z różnych systemów. Muszą uzyskać dane podstawowe z jednego systemu, raport sprzedażowy z drugiego, dane o kampaniach promocyjnych z trzeciego itd. Korzystając z SMART Demand Forecast, wszystkie działy i wszyscy pracownicy pracują z ujednoliconym systemem, w jednym formacie, w jednym interfejsie. Jest to szczególnie przydatne, gdy dany pracownik z jakiegoś powodu wypada z toku pracy – wyjeżdża na urlop, bierze zwolnienie lekarskie lub rezygnuje. Inny pracownik może z łatwością kontynuować pracę z informacjami, które wprowadził poprzedni pracownik do ujednoliconego systemu. W przypadku braku unifikacji zapewnianej przez nowoczesne rozwiązania prognostyczne, jednemu pracownikowi może być bardzo trudno zrozumieć obliczenia innego, co zagraża utrzymaniu płynności procesów biznesowych. Uwzględnienie wszystkich niezbędnych czynników Jedną z głównych trudności w prognozowaniu popytu w łańcuchu dostaw jest konieczność uwzględnienia dużej liczby czynników, zarówno wewnętrznych, jak i zewnętrznych. Jest to dość trudne do wykonania, nawet jeśli nad prognozą pracuje zespół doświadczonych ekspertów. Rozwiązania oparte na sztucznej inteligencji mogą to zrobić szybko i dokładnie, oczywiście pod warunkiem, że wszystkie niezbędne dane zostały wprowadzone do systemu. Lista czynników, które mogą być brane pod uwagę przez sztuczną inteligencję jest dość długa. Oto tylko niektóre z nich: - wyniki badań; - dane dotyczące konkurencji; - trendy makroekonomiczne; - promocje dostawców; - promocje własne; - kanibalizacja; - dane z sieci społecznościowych; - prognoza pogody; - dane z terminali POS; - wydarzenia w kraju... Sztuczna inteligencja jest w stanie uwzględnić i porównać te i inne czynniki, znaleźć wzorce, korelacje i ukryte trendy, które nie są oczywiste dla analityków. Dzięki temu prognoza będzie dokładniejsza i lepiej uzasadniona. Reakcja łańcuchowa Statystycznie udowodniono, że dodatkowe koszty związane ze złym prognozowaniem w łańcuchu dostaw wynoszą średnio 2% kosztów sprzedaży. Jeśli analityk popełni błąd, straty firmy wynikające z takiej prognozy mogą być znacznie większe. Systemy wykorzystujące sztuczną inteligencję i technologie uczenia maszynowego, takie jak SMART Demand Forecast, są w stanie zminimalizować te straty poprzez dokonywanie dokładniejszych obliczeń. Dlatego zdecydowana większość firm na świecie albo już korzysta z takich rozwiązań, albo przygotowuje się do ich wdrożenia. Chcesz dowiedzieć się więcej o tym, jak dokładne prognozowanie popytu w łańcuchu dostaw wpłynie na sprzedaż Twojej firmy? Poproś o osobistą prezentację.
6 grudnia, 2023 9 MIN READ
Tworzenie prognoz jest teraz jeszcze łatwiejsze dzięki nowej wersji SMART Demand Forecast 3.0
Poprawa dokładności prognozowania odgrywa kluczową rolę w strategicznym planowaniu biznesowym, pomagając zrozumieć trendy rynkowe, popyt i potrzeby klientów. Pozwala to skutecznie zarządzać zapasami i logistyką, zmniejszając koszty i ryzyko niedoborów. Nowoczesne systemy prognozowania, takie jak SMART Demand Forecast, wykorzystują modele wieloczynnikowe i analizują ogromne ilości danych w celu przewidywania zmian popytu. Aby robić to bardziej efektywnie, system musi być stale ulepszany. W tej aktualizacji wykonaliśmy wiele pracy, aby zoptymalizować wszystkie procesy systemowe i interfejs w celu łatwego korzystania z rozwiązania, pobierania danych, przeglądania tabel i analiz. Dodaliśmy również nowe kluczowe funkcje:
  • wyszukiwanie i przetwarzanie anomalii danych;
  • możliwość dekompozycji prognozy na komponenty;
  • czynniki mogące wpłynąć na prognozę: zewnętrzne (zjawiska naturalne, siła wyższa, wahania kursów walut itp.) oraz wpływ konkurencji;
  • model prognozowania XGBoost;
  • raporty Power BI i wiele więcej.
Przeczytaj więcej o wszystkich aktualizacjach systemu w poniższym artykule. Zaktualizowana definicja statusów technicznych i ich wyświetlanie w interfejsie Zmiany w interfejsie i statusach ułatwiają nawigację po systemie i szybkie dostosowanie go do zmian w procesach firmy. Dzięki temu SMART Demand Forecast jest bardziej elastycznym rozwiązaniem i pomaga nowym użytkownikom w nauce systemu, ponieważ jest intuicyjny i spełnia nowoczesne standardy prezentacji informacji. Dodano dynamiczną adaptację do zmian w liczbie poziomów produktów Przepływy pracy związane z budowaniem prognozy popytu są teraz łatwiejsze dzięki elastyczności w zarządzaniu produktami w asortymencie. System jest teraz w stanie szybko dostosować się do zmian w strukturze produktów, dzięki czemu jest znacznie wygodniejszy w codziennych operacjach. Aktualizacja ułatwia skalowanie i dostosowywanie systemu do bieżących potrzeb przy wykorzystaniu mniejszej ilości czasu i zasobów ludzkich. Ulepszona wizualizacja procesów systemowych i wyświetlania danych Dzięki zoptymalizowanym algorytmom i ulepszonemu przetwarzaniu danych wizualizacja procesów stała się szybsza i płynniejsza. Teraz informacje na ekranie dokładniej przedstawiają to, co dzieje się podczas działania systemu. Użytkownikowi łatwiej jest zobaczyć etapy przetwarzania danych, dzięki czemu interakcja z rozwiązaniem będzie tak wygodna i zrozumiała, jak to tylko możliwe, nawet dla nowych pracowników. Zoptymalizowane odzyskiwanie danych w przypadku utraty połączenia Dla zespołu SMART Demand Forecast jednym z najważniejszych obszarów jest zapewnienie klientom stabilnego działania rozwiązania. System monitoruje teraz procesy w czasie rzeczywistym, więc w przypadku nagłej awarii połączenia internetowego automatycznie uruchamiane są zaktualizowane strategie odzyskiwania. Proces pracy jest teraz płynniejszy, pomimo czynników zewnętrznych. Teraz nie musisz martwić się o utratę danych, z którymi pracowałeś. Zapewnia to nie tylko wysoką jakość pracy pod względem technicznym, ale także zmniejsza stres pracowników i minimalizuje nieplanowane przerwy w pracy. Dodano możliwość przetwarzania anomalii Kwestie znajdowania i przetwarzania anomalnych danych są zawsze na pierwszym planie w systemach, które pracują z dużymi ilościami danych i wykorzystują sztuczną inteligencję. SMART Demand Forecast nie jest wyjątkiem, ale dzięki zgromadzonej wiedzy wprowadzono możliwość wykrywania anomalii w historycznej sprzedaży oraz ich wygładzania i korygowania. Dodano synchroniczne przewijanie tabel i wykresów anomalii Podczas pracy w SMART Demand Forecast można jednocześnie przewijać i porównywać informacje w tabelach i na wykresach anomalii. Funkcja ta ułatwia i usprawnia analizowanie informacji, które będą miały wpływ na prognozę popytu. Użytkownicy mogą teraz szybciej identyfikować ważne wzorce i anomalie w danych oraz tworzyć podstawy analityczne dla dalszych decyzji w zarządzaniu łańcuchem dostaw. Dodano możliwość dekompozycji prognozy na komponenty wolumenotwórcze Bloki wolumenotwórcze to kluczowe elementy, które tworzą całkowitą objętość prognozy. Ich dekompozycja pomaga dokładniej przewidywać przyszłe trendy, identyfikować kluczowe czynniki zmian i opracowywać bardziej efektywne strategie zarządzania zasobami i planowania. System stworzył raport "Bloki wolumenotwórcze", który pozwala szybko przeanalizować, które czynniki wpłynęły na wzrost lub spadek prognozy, podejmować strategiczne decyzje dotyczące dostaw i promocji itp. na podstawie tych czynników. Wdrożono nowy interfejs do importowania i eksportowania tabel analogów produktów Ciągła poprawa wyglądu systemu jest jednym z ważnych obszarów rozwoju SMART Demand Forecast. Dlatego ta aktualizacja systemu obejmuje integrację nowego interfejsu do importowania i eksportowania tabel analogów produktów. Dzięki prostemu i przejrzystemu wyświetlaniu informacji użytkownicy mogą szybciej wchodzić w interakcje z systemem. Oznacza to, że skróceniu ulega czas i wysiłek wymagany do wykonania zadań operacyjnych. Dodano nowy komponent zakresu dla ustawień wyszukiwania anomalii Dzięki tej funkcji użytkownicy mogą łatwo ustawić poziom kontaminacji dla wyszukiwania przy użyciu metody Isolation Forest za pomocą intuicyjnego interfejsu, co upraszcza proces identyfikacji anomalii w danych. Zwiększa to produktywność systemu i umożliwia zespołowi tworzenie wysokiej jakości raportów analitycznych. Zmodyfikowano procesy CI/CD Wraz z wydaniem 3.0 zmodyfikowane zostały procesy CI/CD, co znacząco zwiększa szybkość wdrażania i kontroli jakości dostarczania produktów, zarówno na etapie tworzenia i testowania, jak i dostarczania do klienta. Choć nie jest to oczywiste dla użytkowników, jest to ważny aspekt pracy, ponieważ pomaga szybko i sprawnie wdrażać nowe funkcje w przyszłości i stale ulepszać system. Rozszerzone możliwości korzystania z kalendarza podczas modelowania Zaktualizowany interfejs kalendarza SMART Demand Forecast zapewnia jego efektywne wykorzystanie, pozwalając na szybkie uzyskanie niezbędnych informacji i przeglądanie danych na różnych poziomach agregacji. Ponadto dodano możliwość szybkiego wyboru daty otwarcia okresu planowania. Zaktualizowano podejście do prognozowania nowych produktów Nowe produkty w asortymencie są wyzwaniem dla budowania prognozy popytu. Standardowa logika podawania analogów do prognozy działa, jednak zdarzają się sytuacje, w których trzeba ustawić dużą liczbę analogów dla setek lub tysięcy produktów. Teraz jest to możliwe dzięki funkcjonalności prognozowania nowych produktów bez określania analogu, na podstawie średniej sprzedaży w kategorii. Dodano nowy model uczenia maszynowego – XGBoost XGBoost to jeden z najbardziej udanych modeli uczenia maszynowego (extreme gradient boosting), zwycięzca wielu konkursów Kaggle w zadaniach prognozowania i regresji. Dodanie tego modelu do SMART Demand Forecast oznacza, że możesz teraz eksperymentować z różnymi narzędziami prognostycznymi i wybrać najbardziej efektywne dla Twojej firmy. Wydajność modelu TFT została zoptymalizowana Model TFT (Temporal Fusion Transformation) zaimplementowany w wersji 2.0 został zoptymalizowany i ulepszony pod względem wydajności i dokładności. Przede wszystkim poprawiono jego dokładność, co pozwala na lepsze prognozowanie, a tym samym zwiększenie wydajności biznesowej. Wprowadzono nowe czynniki: dyfuzja Bassa, konkurencja i czynniki zewnętrzne Czynnik dyfuzji Bassa opiera się na badaniach z poprzedniej wersji. Pomaga on zidentyfikować wzorce dla produktów o krótkiej historii. Eksperymenty wykazały, że czynnik ten jest bardzo przydatny do prognozowania wszystkich produktów, ponieważ pomaga przyjąć bardziej kompleksowe podejście do prognozowania. Możliwe jest również uwzględnienie tak ważnych czynników, jak wpływ konkurencji, jeśli dostępne są odpowiednie dane. Kontynuujemy prace nad uwzględnieniem zewnętrznych czynników kształtowania popytu. Obecnie możliwe jest uwzględnienie czynników ekonomicznych.
  • Stworzony został nowy model danych analitycznych W wersji 3.0 zoptymalizowaliśmy i stworzyliśmy nową koncepcję raportowania analitycznego:
    • Istniejące raporty Power BI zostały dostosowane; Raport "Sprzedaż kompensowana" pozwala użytkownikowi przeanalizować fakty niedoborów towarów w niektórych sklepach i zobaczyć, ile przychodów zostało utraconych, aby zmniejszyć straty w przyszłości. Raport "Analiza sprzedaży" pozwala użytkownikowi pracować z rzeczywistą historią sprzedaży, porównywać różne okresy i obserwować trendy. Raport "Analiza prognozy" porównuje rzeczywiste dane sprzedaży z ostateczną prognozą dla poprzednich okresów kalendarzowych i ocenia jej dokładność.
    • Dodano 5 nowych raportów Power BI: Raport "Analiza ABC-XYZ" wyświetla metryki według kategoryzacji produktów i sklepów, w zależności od wielkości i zmienności sprzedaży. Raport "Analiza stanu produktów" pokazuje, jak długo określone produkty pozostaną w określonych sklepach, biorąc pod uwagę prognozowany popyt. Pozwala to podejmować decyzje dotyczące planowania dostaw towarów do sklepów i określania optymalnych zapasów bezpieczeństwa. Raport "Analiza dostępności produktów" pokazuje, których towarów w których sklepach brakowało w okresie historycznym, co pozwala zidentyfikować luki w dostawach w celu bardziej optymalnego planowania. Raport "Walidacja Analizy" został zaktualizowany, aby analizować, jak dokładnie zestaw danych walidacyjnych dla prognozy odpowiada rzeczywistej sprzedaży. Pozwala to ocenić dokładność wyników prognozy i podjąć decyzję o dalszym wykorzystaniu wyszkolonego modelu. Raport "Analiza Prognozy Końcowe"j umożliwia porównanie ze sobą scenariuszy utworzonych prognoz i podjęcie decyzji o finalizacji poprzez wybór jednego ze scenariuszy.
    • opracowano ujednoliconą koncepcję projektu;
    • uzgodniono główne wskaźniki, które należy uwzględnić w analizie.
Teraz możliwe jest analizowanie i wizualizowanie zarówno aktualnego stanu firmy (rzeczywista sprzedaż i zapasy), jak i wyników zastosowania DF (wizualizacja prognozy i jej wskaźników dokładności). Aby uzyskać więcej informacji na temat rozwiązań i usług SMART business, zadzwoń pod numer +38 (044) 585-35-50 lub wyślij zapytanie tutaj.
28 września, 2023 12 MIN READ
Rola prognozowania w planowaniu popytu: strategie i metodologie
Popyt jest siłą napędową każdej firmy. Jednakże, gdy wyobrażenie o poziomie popytu konsumpcyjnego jest dalekie od rzeczywistości, firma napotka jeden z dwóch problemów. Pierwszym z nich jest koszt magazynowania zapasów lub, co gorzej, odpisywanie niesprzedanych produktów. Drugim problemem jest utrata dochodów, a jednocześnie klientów, z powodu braku towarów na półkach. Oba są dość irytujące. Zwłaszcza teraz, gdy na rynku dostępne są nowoczesne rozwiązania oparte na technologiach uczenia maszynowego i sztucznej inteligencji, które pozwalają precyzyjnie przewidywać wahania popytu i pomagają firmom podejmować szybkie decyzje zarządcze oparte na aktualnych danych. Firmy coraz częściej sięgają po takie narzędzia, by zyskać wyraźną przewagę konkurencyjną. W rezultacie rynek oprogramowania do prognozowania i planowania popytu stale rośnie. Podczas gdy w 2021 r. jego wartość wynosiła 3,5 mld USD, oczekuje się, że do 2028 r. osiągnie 6,8 mld USD, czyli prawie się podwoi. Jeśli chcesz dowiedzieć się więcej o tym, jak narzędzia do prognozowania popytu mogą pomóc w zapobieganiu odpisom, poproś o osobistą prezentację.

Jakie kluczowe zadania rozwiązuje planowanie popytu?

Plan popytu jest punktem wyjścia w zarządzaniu łańcuchem dostaw i biznesem, wpływając na prawie wszystkie wskaźniki KPI organizacji. Jak impuls nerwowy, wysyła sygnał do wszystkich ogniw łańcucha, dostosowując ich obciążenie pracą do oczekiwanej wielkości sprzedaży. Zakupy, zaopatrzenie, produkcja, logistyka, operacje magazynowe – wszystko jest dostosowywane, aby zapewnić wystarczającą ilość towarów, aby zaspokoić popyt konsumentów, jednocześnie zapobiegając nadmiarowi produktów. Kluczem jest tutaj utrzymanie idealnej równowagi, w której jest wystarczająco dużo zapasów, ale ta wystarczalność nie zamienia się w nadmiar. Utrzymanie tej równowagi komplikuje fakt, że sytuacja na rynku stale – a czasem gwałtownie – się zmienia. Mogą na nią wpływać czynniki makroekonomiczne, a także wiele innych czynników, w tym trendy branżowe, działania konkurencji, sytuacja polityczna, klęski żywiołowe, głośne wydarzenia – aż po pojedynczy post lidera opinii w mediach społecznościowych. Wszystko to wpływa na i tak już zmienne i nieprzewidywalne zachowania zakupowe konsumentów. Oczywiście nie da się wziąć wszystkiego pod uwagę, ale w idealnej sytuacji firmy powinny być w stanie reagować na te zmiany lub, jeszcze lepiej, przewidywać przynajmniej te, które można przewidzieć. Właśnie dlatego dokładność prognozy ma szczególne znaczenie w planowaniu popytu. To ona ostatecznie zadecyduje o tym, czy firma będzie w stanie zapewnić optymalne ilości określonych kategorii towarów we właściwych lokalizacjach w odpowiednim czasie.

Jak niedokładne prognozowanie popytu może wpłynąć na wyniki finansowe?

Niedokładna prognoza popytu może mieć znaczące negatywne konsekwencje finansowe dla organizacji, zwłaszcza jeśli odchylenia są znaczące. Przykładowo, w przypadku gdy analitycy nie uwzględnią czynników, które doprowadzą do znacznego wzrostu sprzedaży, może to w pewnym momencie doprowadzić do tego, że firma nie będzie w stanie sprzedać niektórych swoich towarów, ponieważ po prostu nie będzie ich wystarczająco dużo, lub nie zostaną one dostarczone na czas we właściwym czasie i miejscu. W ten sposób organizacja straci możliwość osiągnięcia zysku ze sprzedaży swoich produktów w szczycie ich popytu, a klienci będą rozczarowani niemożnością dokonania zakupów, których potrzebują. I nie wiadomo, co jest gorsze. Lojalność klientów można przecież bardzo łatwo stracić, ale jej odzyskanie lub przyciągnięcie nowych klientów wymaga dużo czasu i działań marketingowych. Nawet jeśli firmie uda się wypełnić luki produktowe, przenosząc produkty z innych lokalizacji, nadal wiąże się to z dodatkowymi kosztami logistycznymi. Dlatego niedoszacowanie popytu podczas planowania sprzedaży może być kosztowne. Jednak przeszacowanie go – również ma niefortunne konsekwencje. Firmy muszą wydawać pieniądze na przechowywanie niesprzedanych produktów, płacąc za dodatkową powierzchnię magazynową, a gromadzenie nadwyżek zapasów blokuje kapitał obrotowy. Ponadto organizacje muszą obniżać ceny, aby jak najszybciej sprzedać zapasy, a jeśli okres przydatności do spożycia upłynie, całkowicie je odpisać. Odpisy produktów są najbardziej irytującą i powszechną konsekwencją niedokładnej prognozy w handlu detalicznym. Oczywistym jest, że konsekwencje dla firm są szczególnie bolesne, gdy popełniają one poważne błędy w planowaniu popytu. Drobne pomyłki prowadzą do mniej zauważalnych problemów, ale gdy zdarzają się regularnie, nadal mają znaczący wpływ na biznes w dłuższej perspektywie. Dlatego też organizacje dążące do optymalizacji swoich procesów i wyeliminowania wszelkich przyczyn niepotrzebnych kosztów wdrażają nowoczesne narzędzia do prognozowania popytu. W końcu w obliczu zaciekłej rywalizacji o klienta, trafna prognoza i w efekcie sprawne zarządzanie zapasami – może stać się jednym z determinujących przewag konkurencyjnych.

Jakie korzyści przynosi firmie dokładne planowanie popytu?

Przezorny zawsze ubezpieczony. Świadomość przyszłych wahań popytu z wyprzedzeniem pozwala firmom przygotować się na nie, co oznacza, że mogą one efektywniej zarządzać swoimi zasobami i wdrażać optymalne strategie produktowe. Przyjrzyjmy się głównym korzyściom płynącym z dokładnego prognozowania w planowaniu popytu.
Maksymalizacja sprzedaży Terminowa wiedza na temat skoków popytu pozwala organizacjom w pełni je wykorzystać, przygotowując odpowiednią liczbę towarów do sprzedaży i unikając niedoborów. Prowadzi to średnio do 15% wzrostu sprzedaży.
Niższe koszty przechowywania nadwyżek towarów Z drugiej strony, przewidywanie spadków popytu pomaga uniknąć nadmiernych zapasów - a tym samym kosztów przechowywania produktów w magazynach.
Zmniejszenie liczby odpisywanych produktów Utrzymywanie optymalnych poziomów zapasów i unikanie nadmiernych zapasów zapewnia również, że mniej produktów jest odpisywanych z powodu upływu terminu ważności.
Lepsza obsługa Dokładne prognozowanie popytu pozwala utrzymać stałą dostępność produktów, których potrzebują klienci, bez ponoszenia niepotrzebnych kosztów logistycznych i magazynowych. Zadowolenie klientów wzrasta średnio o 20%.
Dokładniejsze dane do podejmowania decyzji biznesowych Prognozowanie popytu jest jednym z punktów wyjścia do podejmowania decyzji zarządczych. Im dokładniejsza prognoza, tym skuteczniejsze decyzje.
Rozsądniejsza polityka cenowa Poziom popytu jest jednym z kluczowych czynników, które powinny być brane pod uwagę w strategii cenowej. Dokładne planowanie popytu umożliwia ustalenie cen optymalnych dla rynku, co jest jednym z ważnych warunków powodzenia sprzedaży.
Bardziej efektywny marketing Działania marketingowe przynoszą najlepsze wyniki, gdy uwzględniają przyszłe wahania popytu na określone grupy produktów, w tym kanibalizację. Zwiększa to skuteczność promocji o 15%.
Ogólnie rzecz biorąc, dokładna prognoza może zwiększyć rentowność firmy o 25%. Oczywiście liczba ta różni się w zależności od firmy. Aby zrozumieć, jak duży zysk może osiągnąć Twoja organizacja dzięki dokładnemu prognozowaniu popytu, możesz skorzystać z kalkulatora.

Jakie są główne metody prognozowania popytu?

Tradycyjnie metody prognozowania dzielone są na dwie szerokie grupy w zależności od poziomu formalizacji: intuicyjne i formalne lub statystyczne. Te pierwsze, pomimo swojej nazwy, opierają się nie tyle na irracjonalnych odczuciach, co na spostrzeżeniach i doświadczeniu ekspertów. Dlatego też nazywane są również "eksperckimi". Można je podzielić na prognozy indywidualne, w których prognozy są sporządzane przez poszczególnych specjalistów, oraz prognozy zbiorowe, w których prognozy są sporządzane podczas jednorazowych lub seryjnych dyskusji. Zazwyczaj metody intuicyjne są stosowane jako uzupełnienie metod formalnych oraz w sytuacjach wysokiej niepewności, gdy brakuje danych do analizy. Na przykład, gdy firma dopiero wchodzi na rynek lub otwiera nową ścieżkę biznesową. Zaletą tych metod jest to, że są one bardziej wszechstronne i mogą obejmować szerszy zakres czynników niż metody formalne. Wadą jest subiektywność i niedokładność prognoz. Metody formalne opierają się na podejściu matematycznym, a także na starożytnej prawdzie, że najlepszym sposobem na zrozumienie przyszłości jest badanie przeszłości. Metody te są stosowane, gdy dostępna jest wystarczająca ilość danych historycznych do analizy, głównie w odniesieniu do sprzedaży. Badając przeszłe trendy, analitycy ekstrapolują je na przyszłość. W tym celu wykorzystują złożone formuły matematyczne i modele, które uwzględniają różne czynniki i współzależności, które mogą wpływać na popyt. Zaletą tego podejścia jest jego obiektywizm i fakt, że daje ono wyniki ilościowe. Wadą jest to, że nie nadaje się do identyfikacji złożonych nieliniowych modeli, a wiele czynników jest pomijanych w analizie formuł.

Jak rozwiązania IT mogą poprawić prognozowanie popytu?

Nowoczesne narzędzia do prognozowania popytu z wykorzystaniem sztucznej inteligencji i uczenia maszynowego, takie jak SMART Demand Forecast, mogą być wykorzystywane jako skuteczna alternatywa dla tradycyjnych metod intuicyjnych i formalnych lub je uzupełniać. Tak czy inaczej, zapewniają one firmom korzyści, które wcześniej nie były dostępne. Co najmniej znacznie upraszczają i przyspieszają proces prognozowania, przejmując na siebie skomplikowane analizy i obliczenia – coś, co wcześniej wymagało długiej i żmudnej pracy całego działu analitycznego. Co więcej, jak pokazuje praktyka, takie oprogramowanie jest zwykle bardziej wydajne niż tradycyjne metody statystyczne. Jedno z badań McKinsey Digital wykazało, że prognozowanie popytu przy użyciu sztucznej inteligencji może zmniejszyć koszty administracyjne łańcucha dostaw o 25–40%, zmniejszyć utratę sprzedaży z powodu braku zapasów o 65% i zmniejszyć zapasy o 20–50%. Jak osiągnąć taką wydajność? Oprogramowanie do sztucznej inteligencji i uczenia maszynowego łączy w sobie precyzję tradycyjnej analizy statystycznej z możliwością uwzględnienia dużej liczby czynników, co jest nieodłącznym elementem analizy eksperckiej. Narzędzia te przetwarzają całe macierze zarówno ustrukturyzowanych, jak i nieustrukturyzowanych danych z różnych źródeł, dając przy tym zazwyczaj wyniki z większą dokładnością niż eksperci, ponieważ są w stanie dostrzec ukryte wzorce. Oprócz historii sprzedaży różnych rodzajów towarów w różnych okresach, można wziąć pod uwagę następujące elementy:
  • wskaźniki makroekonomiczne;
  • trendy rynkowe;
  • działania konkurencji;
  • wyniki ankiet;
  • własne działania marketingowe;
  • informacje z terminali POS i czujników IoT;
  • dane od dostawców i dystrybutorów;
  • prognozy pogody;
  • informacje z mediów społecznościowych itp.
Algorytmy uczenia maszynowego są w stanie przetworzyć wszystkie te zestawy danych i znaleźć zarówno liniowe, jak i nieliniowe korelacje między nimi, "zobaczyć" wzorce i trendy, w tym nieoczywiste, których człowiek-analityk mógłby nie zauważyć. Rezultatem jest wygenerowanie modelu predykcyjnego, który zostanie wykorzystany do planowania popytu. Co więcej, model może się uczyć i poprawiać w czasie, a im więcej danych jest dodawanych do systemu, tym dokładniejsze stają się prognozy. Warto zauważyć, że wiele będzie zależeć od wyboru odpowiednich algorytmów. Jest to jednak raczej zadanie dla dostawców rozwiązań prognostycznych. Jeśli wybierzesz SMART Demand Forecast, nasi eksperci pomogą Ci we właściwym wyborze, testowaniu, a następnie wykorzystaniu algorytmów, które zapewnią najdokładniejszą prognozę w oparciu o specyfikę Twojej firmy. Warto zauważyć, że podstawową zaletą narzędzi do prognozowania popytu opartych na sztucznej inteligencji w porównaniu z tradycyjnymi metodami statystycznymi jest ich zdolność do uwzględniania nie tylko przeszłości (historycznych danych sprzedażowych), ale także wielu bieżących czynników. Co więcej, informacje mogą być wprowadzane do systemu niemal w czasie rzeczywistym, na przykład dane z terminali POS, czujników IoT, sygnały ze stron internetowych i sieci społecznościowych. Sprawia to, że proces prognozowania jest ciągły i bardziej elastyczny, planowanie popytu bardziej dostosowane do zmieniających się okoliczności, a łańcuch dostaw lepiej dostosowany do rzeczywistego popytu konsumentów.

Plany na sukces

Dla każdej firmy planowanie popytu jest zarówno punktem wyjścia, jak i punktem odniesienia. Określa stopień, w jakim działania organizacji są dostosowane do zachowań zakupowych klientów i jak skutecznie firma będzie reagować na potrzeby rynku. Dlatego też kluczowe znaczenie dla firm ma stosowanie skutecznych narzędzi do prognozowania popytu. Rozwiązania wykorzystujące sztuczną inteligencję i algorytmy uczenia maszynowego wykazują największą udowodnioną skuteczność i zastępują tradycyjne narzędzia. Jeśli chcesz dowiedzieć się więcej o tym, jak wdrożyć najlepsze praktyki prognozowania popytu w swojej organizacji, poproś o osobistą prezentację.
27 stycznia, 2023 5 MIN READ
obkladinka en
Wszystko o aktualizacjach SMART Demand Forecast

Funkcjonowanie całego łańcucha dostaw zaczyna się od prognozowania popytu.  Ile produktu należy zamówić, aby zadowolić klientów oraz jak uniknąć "zamrożenia" zapasów, zapobiec odpisom i zapewnić poziom obsługi - to pytania, które codziennie zadają sobie menedżerowie łańcucha dostaw, budując prognozy dla każdego SKU. Aby zapewnić ich wysoką dokładność, istnieją rozwiązania takie jak SMART Demand Forecast, które opierają się na algorytmach uczenia maszynowego i sztucznej inteligencji.

Zespół SMART business codziennie pracuje nad poprawą funkcjonalności systemu SMART Demand Forecast. Zawsze koncentrujemy się na poprawie wyników finansowych firm naszych klientów i zapewnieniu najlepszego doświadczenia użytkownika, dlatego w tym wydaniu rozwinęliśmy funkcjonalność personalizacji tabel, zoptymalizowaliśmy proces importu kampanii promocyjnych i kompatybilność z przeglądarkami, przyspieszyliśmy interfejs i procesy Data Science oraz przeprowadziliśmy optymalizację techniczną systemu. Więcej o wszystkich aktualizacjach systemu czytaj w artykule poniżej.

Dokumentacja produktu została zaktualizowana

Zakończono prace nad dokumentami polityki bezpieczeństwa i środowiska, opisującymi działanie i współdziałanie środowisk, standardów i podejść do komponentu bezpieczeństwa produktu. Dokumenty te regulują interakcję rozwiązania SMART Demand Forecast z danymi naszych klientów.

Zaktualizowano strukturę zarządzania projektem. Bardzo dbamy o tworzenie i utrzymywanie aktualnej dokumentacji technicznej produktu, aby zapewnić klientom możliwość zapoznania się z dokumentami dotyczącymi procesów biznesowych, architektury rozwiązania, terminologii itp.

Opracowano funkcjonalność personalizacji tabeli

Zespół SMART business dodał funkcjonalność personalizacji tabeli z możliwością wyboru liczby wyświetlanych wierszy, dostosowania listy i kolejności kolumn.

To dostosowanie pozwala użytkownikom na zmianę wyglądu tabel podczas pracy z systemem prognozowania popytu, co z kolei znacznie poprawia doświadczenie użytkownika.

Inaczej mówiąc, jeśli niuanse Twojej pracy wymagają dostosowania interfejsu, możesz przesunąć lub ukryć potrzebne informacje.

Zoptymalizowano proces importu kampanii promocyjnych i zwiększono prędkość ładowania

Zawsze dbamy o zapewnienie szybkiego i niezawodnego działania systemu. Dlatego dołożyliśmy starań, aby skrócić czas oczekiwania na import kampanii promocyjnych i ich późniejszą walidację w systemie SMART Demand Forecast.

Opracowanie reguł biznesowych i procesu podstawowego sprawdzania danych (Data Health Check)

Podczas integracji danych z systemem, system automatycznie sprawdzi wgrane dane pod kątem błędów krytycznych, które będą zakłócać główną funkcję rozwiązania: prognozowanie. W tym wydaniu dodaliśmy sprawdzenie dla:

  • metadane
  • integralność danych
  • zgodność ze strukturą odniesienia

Prędkość interfejsu systemowego została zoptymalizowana

Aby zapobiec powtarzaniu obliczeń, w systemie wprowadzono zapisywanie wyników wykonanych funkcji. Nastąpił więc znaczny wzrost wydajności interfejsu podczas ładowania stron systemowych.

Zapewniono kompatybilność z przeglądarkami

Poprawne wyświetlanie interfejsu i testowanie funkcjonalności systemu zostało skonfigurowane niezależnie od używanej przeglądarki.

Rozwinięta funkcjonalność prognozowania dla wyższych poziomów agregacji

Wcześniej w rozwiązaniu SMART Demand Forecast wdrożono procesy prognozowania na najniższym poziomie agregacji. Aby objąć szerszy zakres zadań biznesowych, opracowaliśmy podejścia do generowania modelu, który umożliwia prognozowanie na wyższych poziomach agregacji czasowej, produktowej i biznesowej. System ma już zaimplementowane poziomy agregacji tygodniowej i miesięcznej.

Sprawdzona koncepcja prognozowania Time Series z wykorzystaniem modeli

System pracuje z jednym modelem do prognozowania - LGBM. Aby opracować podejście wielomodelowe dla różnych wymagań biznesowych, opracowano model Deep Learning do prognozowania szeregów czasowych. Prace nad wprowadzeniem tej koncepcji do systemu zostaną uwzględnione w wydaniu 2.0

Przyspieszone procesy Data Science

W wydaniu 1.2 przetestowano szereg frameworków i podejść mających na celu skrócenie czasu wykonania procesów Data Science, co wpłynie na koszt przemysłowej eksploatacji systemu SMART Demand Forecast. Uwzględniono proces równoległego scoringowania kilku złożonych scenariuszy, co z kolei przyspieszy dostarczenie wyników prognozy do użytkownika.

Optymalizacja techniczna systemu

Ważnym aspektem rozwiązania informatycznego jest zapewnienie użytkownikom stabilnego i szybkiego działania systemu, biorąc pod uwagę ciągłe przetwarzanie i analizę dużych ilości danych, dlatego zespół SMART business przeprowadził optymalizację techniczną systemu SMART Demand Forecast. Dokonano następujących aktualizacji:

  • Metody ICacheValidator zostały dostosowane
  • Opracowano proces inkrementalnego ładowania danych do bazy systemu
  • Optymalizowana wydajność procedur składowanych na bazie danych aplikacji
  • Testowanie i modyfikacja procesów przeliczania jednostek miar.
  • Zautomatyzowane działanie modułu Feature Selection

Moduł wyboru cech został zoptymalizowany w zależności od warunków wejściowych. Dodano dwa tryby startu: ręczny i automatyczny. Tryb manualny jest niezbędny na etapie pilotażu i większego dopracowania rozwiązania dla klienta. Tryb automatyczny jest wymagany do kompleksowego wykorzystania przy minimalnym czasie pracy człowieka.

  • Przeprowadzono refaktoryzację kodu procesów DS

Zespół SMART business refaktoryzował i zoptymalizował etap generowania planowanego zbioru danych i importu biblioteki w laptopach Databricks, a także zmniejszył rozmiar obrazu Docker. Dzięki temu kod stał się czystszy i bardziej przejrzysty.

Aby uzyskać więcej informacji na temat rozwiązań i usług SMART business, zadzwoń pod numer +38 (044) 585-35-50 lub wyślij zapytanie tutaj.
10 stycznia, 2023 2 MIN READ
rectangle 4 1 1
Kluczowe aspekty wyboru sprzedawcy. Wybór najlepszego systemu prognozowania popytu. 

Wybór najlepszego systemu prognozowania popytu. Ważne punkty i subtelności wyboru

Prognozowanie popytu ma wpływ na cały łańcuch dostaw. Planując sprzedaż i mając pojęcie o przyszłym popycie, można nie tylko zapewnić odpowiednią ilość towaru na półkach, ale także zrozumieć, jakie działania należy wykonać przy konkretnych pozycjach, aby wygenerować dodatkowy zysk. Dodatkowo pozwala na utrzymanie wysokiego poziomu dostępności towarów przy minimalnych zapasach.

Istnieje wiele metod prognozowania popytu. Dziś jednak analitycy i właściciele firm zgadzają się, że procesy manualne z wykorzystaniem arkuszy kalkulacyjnych nie są już efektywne. Zamiast tego rośnie zainteresowanie najnowszymi metodami opartymi na uczeniu maszynowym i sztucznej inteligencji, stosowanymi w najlepszych rozwiązaniach do prognozowania popytu. Ale jak sprawdzić, czy wdrożenie takiego systemu jest dla Ciebie właściwe i co musisz wiedzieć, wybierając go? Podpowiadamy w tym artykule.

Zawiłości prognozowania popytu

 Przetwarzanie dużej ilości rozbieżnych informacji jest kluczowym wyzwaniem w prognozowaniu popytu. Zatem im dłużej firma działa na rynku, tym więcej danych dotyczących popytu przechowuje. Na pewnym etapie działalności logicznym krokiem staje się usystematyzowanie wszystkich informacji i określenie podejścia do prognozowania popytu. W większości przypadków odpowiada za to osobny zespół analityków i innych specjalistów, którzy polegają na swoim doświadczeniu i korzystają z dodatkowych narzędzi, takich jak arkusze kalkulacyjne. Takie podejście jest jasne i przystępne, ale ma szereg wad:
15 grudnia, 2022 7 MIN READ
image 2
Jak poprawić dokładność prognozowania popytu i zwiększyć zyski? Wskazówki dla sprzedawców

Prognozowanie popytu zależy od wielu zmiennych, które należy przeanalizować, od danych historycznych po czynniki zewnętrzne. Uwzględnienie wszystkich tych zmiennych w zmieniającym się otoczeniu jest dość trudne. A niedokładne prognozowanie pociąga za sobą wzrost niepotrzebnych kosztów operacyjnych, takich jak koszty logistyczne, magazynowe czy finansowe, i prowadzi do utraty sprzedaży. W tym artykule omówiono sposoby poprawy dokładności prognozowania.

Specyfika prognozowania popytu w handlu detalicznym

  Aby poprawić dokładność prognozowania w handlu detalicznym, należy zrozumieć główne czynniki zewnętrzne i wewnętrzne. Oto główne z nich:

Wpływ kampanii promocyjnych na asortyment Rozpoczynanie kampanii promocyjnych przyczynia się do kanibalizacji produktów pokrewnych. Na przykład rabaty na produkty o wyższej cenie zawsze prowadzą do spadku sprzedaży w średnim segmencie cenowym. Dlatego ważne jest ilościowe określenie popytu, aby zapewnić dostępność produktów w ramach promocji. Zmienność zachowań klientów Sprzedaż jest ściśle związana z preferencjami klientów. Trudno powiedzieć, co zmotywowało ich do zakupu danego produktu: jego cena, branding czy złe doświadczenia klienta z produktem konkurencji. Równie ważną rolę odgrywa całościowe postrzeganie placówki w umysłach klientów. Jak więc widać, jest wiele czynników, które wpływają na ostateczną sprzedaż. Kontekst ogólny Należy również wziąć pod uwagę ogólne otoczenie danej placówki handlowej. Dotyczy to również pobliskich przedsiębiorstw, w tym branż pokrewnych. Na przykład, idąc na zakupy spożywcze, osoba może zauważyć sklep z artykułami gospodarstwa domowego i pamiętać o zakupie środka czyszczącego. Czynniki te mają również wpływ na sprzedaż, choć bardzo trudno jest ocenić ten wpływ. Wpływ czynników zewnętrznych Sezonowość, sytuacja polityczna i gospodarka mają wpływ na popyt i dokładność prognozowania sprzedaży. Niestety, nie ma narzędzi, które mogłyby dokładnie przewidzieć, czego przedsiębiorstwa mogą się spodziewać w przyszłości, ale nowoczesne możliwości prognozowania pomagają firmom reagować na zmiany tak szybko, jak to możliwe. Marka i marketing Ważną rolę odgrywa związek między danym SKU a wyraźną potrzebą w umysłach konsumentów. Tu z pomocą przychodzą kampanie reklamowe i prace nad rozwojem marki, które z kolei mogą znacznie zwiększyć sprzedaż. Lokalizacja punktów sprzedaży Lokalizacja sklepów ma znaczenie w przewidywaniu popytu ze strony detalistów. Wpływa to na liczbę klientów i trafność dostępnego asortymentu.

Tradycyjne ręczne metody analizy już dawno straciły swoją skuteczność na rzecz modeli matematycznych opartych na sztucznej inteligencji i uczeniu maszynowym. Podejście to nie polega jedynie na zastosowaniu określonej formuły, ale poprawia dokładność prognozowania popytu poprzez uwzględnienie czynników wewnętrznych i zewnętrznych.

Jak zbudować wysokiej jakości prognozę?

Dokładność prognozy jest kluczowa w zarządzaniu zapasami, dlatego każda firma powinna sporządzać prognozy popytu dla różnych okresów czasu. W zależności od celów i założeń przedsiębiorstwa, istnieje kilka rodzajów prognoz:

  • Krótkoterminowe lub operacyjne - do podejmowania szybkich decyzji przy częstych wahaniach popytu
  • Średnioterminowo - zarządzanie zasobami i zapewnienie efektywności działania
  • Długoterminowe - do podejmowania strategicznych decyzji o inwestycjach i zmianach w miksie produktów

Stosowanie metody ręcznej do wszystkich opisanych powyżej rodzajów prognoz czyni proces nieefektywnym z wielu powodów:

  1. Jesteś uzależniony od konkretnych specjalistów lub zespołów projektowych.
  2. Nawet najbardziej doświadczeni specjaliści nie są w stanie uwzględnić wszystkich czynników w formacie arkusza kalkulacyjnego.
  3. Metody manualne polegają najczęściej na wykorzystaniu ograniczonej liczby wzorów i metod.
  4. W prognozach istnieje duże prawdopodobieństwo wystąpienia błędu ludzkiego.

Dlatego, aby zwiększyć dokładność prognozowania, detaliści delegują złożone matematyczne obliczenia prognostyczne do inteligentnych systemów, które mogą zautomatyzować ten proces i uczynić go bardziej wydajnym dzięki wykorzystaniu sztucznej inteligencji i uczenia maszynowego.

Skuteczność i dokładność prognoz tych systemów zależy od tego, jak często wprowadzasz nowe dane istotne dla obliczeń. Im więcej wysokiej jakości danych analitycznych dostarczysz do systemu, tym dokładniej będzie działał jego model matematyczny. Dlatego jeśli dopiero zastanawiasz się nad wdrożeniem systemu, który może poprawić dokładność prognozowania, zalecamy, abyś od razu rozpoczął pracę z danymi historycznymi i czynnikami korygującymi popyt.

Jakie dane są potrzebne do sporządzenia prognozy? Przyjrzyjmy się rozwiązaniu SMART Demand Forecast. Jest to system, który może tworzyć prognozy popytu zarówno dla sprzedaży regularnej, jak i promocyjnej.

Jest to przepis na niezbędne dane, które sprzedawcy muszą ustrukturyzować i zgromadzić, aby prognoza była skuteczna:

  • Historia sprzedaży
  • Szczegółowe informacje o promocjach (rodzaj promocji, jej ramy czasowe)
  • Ceny
  • Działania marketingowe
  • Hierarchia produktów i punktów sprzedaży
  • Informacje o konkurentach (rodzaj, geografia, itp.)

Brak niektórych z powyższych danych może wpłynąć na dokładność prognozy. Nie ogranicza to jednak możliwości wdrożenia SMART Demand Forecast. Aby uzyskać więcej informacji na temat korzyści i możliwości rozwiązania, wypełnij formularz.

Rozpoczynamy projekt pilotażowy z firmami, które są gotowe poprawić swoją dokładność prognozowania, który obejmuje

  • Opracowanie planu, wyznaczenie celów
  • Opis procesów biznesowych
  • Dostosowanie wszystkich danych do jednej struktury
  • Uruchomienie modelu na niektórych SKU, co pozwoli sprzedawcy ocenić dokładność prognozy

Następnie następuje etap pełnego testowania rozwiązania, gdzie następuje integracja i wdrożenie systemu SMART Demand Forecast. Ostatnim etapem jest zastosowanie algorytmów systemu do całego asortymentu i wszystkich punktów sprzedaży. W zależności od życzeń klienta, projekt może być dalej przekazany pod kontrolę techniczną specjalistów biznesowych SMART lub zarządzany przez klienta.

Wpływ prognozowania na kluczowe wskaźniki biznesowe

Wysokiej jakości prognozowanie jest niezbędne dla lepszej kontroli i zarządzania łańcuchem dostaw: planowania zapasów, poprawy logistyki i poprawy obsługi klienta. Ponadto istnieją dodatkowe korzyści z dokładnego prognozowania, jak np.

Zmniejszenie nadmiernych zapasów Wypisanie nadwyżki towaru to nie tylko utrata zysku, ale także nieplanowane koszty utylizacji. Aby tego uniknąć, należy pracować nad poprawą dokładności prognozowania popytu. Poprawa obrotu towarowego Dokładne prognozowanie pozwala ograniczyć nadmiar zapasów. Poprawia to rotację produktów i uwalnia środki zamrożone w zapasach. Wzrost sprzedaży Wysokiej jakości prognoza zapewni odpowiedni poziom dostępności towarów na półkach, co ułatwi regularną sprzedaż bez groźby wyczerpania zapasów.

Koncentracja strategiczna i redukcja kosztów osobowych

Systemy prognozowania popytu przejmują prawie całą pracę mechaniczną. Dzięki temu obecni analitycy będą mogli skupić się na bardziej strategicznych zadaniach, a firma nie będzie musiała wydawać pieniędzy na zatrudnianie nowych specjalistów.

Tym samym trafna prognoza stymuluje pozytywne zmiany wielu wskaźników biznesowych. Prognoza oparta na sztucznej inteligencji i uczeniu maszynowym uwzględnia więcej składników wpływających na popyt i przyspiesza proces podejmowania decyzji zarządczych w firmie.

Aby uzyskać indywidualną konsultację dotyczącą SMART Demand Forecast, wypełnij formularz.
23 listopada, 2022 5 MIN READ
prognos
Prognoza popytu jako narzędzie rentownego biznesu

Prowadzenie działalności gospodarczej w dzisiejszych czasach nie jest łatwym zadaniem. Wyzwania, które rzeczywistość przedstawia jedno po drugim, znacznie komplikują ten proces, a przewidzenie wpływu niekorzystnych czynników zewnętrznych na rynek i zachowania konsumentów jest czasem niezwykle trudne. Jednym z najbardziej bolesnych punktów dla firm w ostatnich latach była zmienność popytu. Coraz więcej czynników - od postów influencerów po niespodziewane okoliczności - zmusza klientów do częstszej zmiany zachowań zakupowych.

Problem w tym, że zmiany te zachodzą dość niespodziewanie i nie ma magicznego narzędzia, które pozwoliłoby przewidzieć globalne sytuacje tworzące ryzyko dla firm. Ale czy istnieją inne sposoby, aby spojrzeć w przyszłość i dostosować swoje procesy biznesowe? W tym artykule mówimy o prognozowaniu popytu, wyjaśniamy znaczenie tego procesu i przyglądamy się nowoczesnym rozwiązaniom opartym na algorytmach uczenia maszynowego i sztucznej inteligencji, które mogą usprawnić Twoje planowanie operacyjne w zmieniającym się środowisku.

Czym jest prognozowanie popytu?

Prognozowanie popytu to proces szacowania przyszłego popytu poprzez analizę danych historycznych, informacji oraz wpływu dodatkowych czynników. Skuteczne prognozowanie popytu zapewnia firmie cenny wgląd w możliwości na obecnych i potencjalnych rynkach i pomaga menedżerom podejmować świadome decyzje dotyczące wielkości zamówień, promocji produktów i ogólnej strategii biznesowej.

Ignorując ten proces, firmy ryzykują podejmowaniem błędnych decyzji w zakresie strategii produktu i rynków docelowych. A to może powodować wiele problemów, takich jak zwiększone koszty magazynowania, zmniejszone zadowolenie klientów i luki w zarządzaniu łańcuchem dostaw. Krótko mówiąc, firma albo traci pieniądze, albo nie otrzymuje ich w całości.

Nota historyczna

Ogólnie rzecz biorąc, tendencja do tworzenia w przedsiębiorstwach odrębnych działów prognozowania popytu pojawiła się pod koniec lat 80. ubiegłego wieku. Początkowo, w większości przypadków, prognozy opierały się na prostych modelach i metodach statystycznych, takich jak średnia ruchoma, wygładzanie wykładnicze, czy nawet w oparciu o intuicję ( powszechnie nazywaną "przeczuciem"). A następnie, wraz z rozwojem technologii w zakresie przechowywania i przetwarzania danych (Big Data), proces prognozowania popytu uległ znacznym zmianom i stał się niezbędnym narzędziem dla przedsiębiorstw wszystkich branż i wielkości.

I choć w 2019 roku rynek oprogramowania do prognozowania popytu szacowany był na 3 mld dolarów, to do 2030 roku kwota ta ma osiągnąć ponad 14,5 mld dolarów (transparency market research). Dlaczego więc warto zwrócić uwagę na ten temat i jak prognozowanie popytu może stać się częścią Twoich procesów biznesowych - opowiemy Ci o tym poniżej.

 Znaczenie prognozowania popytu w działalności gospodarczej

Popyt jest motorem napędowym całego biznesu. Nie dziwi więc fakt, że jego analiza wpływa na efektywność wielu procesów w firmie. Prognozowanie popytu nigdy nie jest w 100% trafne (tylko w przypadku zbiegu okoliczności lub oszukańczych obliczeń), ale jest konieczne, bo wpływa na:

Planowanie budżetu Dane uzyskane z prognozy pomagają w podejmowaniu efektywnych decyzji finansowych dotyczących kosztów operacyjnych, produkcyjnych i marketingowych. Ponadto, jasny obraz spodziewanego popytu pozwoli na zaplanowanie kosztów utrzymania personelu i realokację zasobów w okresach największej aktywności. Opracowanie strategii cenowej Ustalenie właściwej ceny, uwzględniającej aktualną aktywność rynkową i popyt na Twój produkt, jest kluczowe. Dzięki prognozie popytu można dostosować politykę cenową w zależności od sytuacji, a także z wyprzedzeniem ustawić narzędzia do jej realizacji, takie jak promocje, rabaty, przeceny itp. Dzięki rozumieniu rynku i potencjalnych możliwości, możesz ustalić konkurencyjne ceny i zastosować odpowiednie strategie marketingowe dotyczące wartości swoich towarów. Kontrola poziomu zapasów Przewidując przyszły popyt, możesz obliczyć optymalną ilość towarów w swoich magazynach bez tworzenia overstock’ów. W ten sposób można uniknąć przepłacania za nadmiar magazynów lub wręcz przeciwnie - zawczasu przygotować się na pęd w okresie wysokiej sprzedaży.

Prognozowanie popytu jest wskazane do stosowania niezależnie od sektora działalności, czy jest to handel detaliczny, FMCG, farmacja, budownictwo itp.

Prognozowanie i planowanie popytu. Jaka jest różnica?

Wiele osób używa pojęć prognozowania i planowania popytu synonimicznie. Istnieje jednak zasadnicza różnica między tymi pojęciami. I o ile prognozowanie jest strategicznym przewidywaniem opartym na danych historycznych i analizie powiązanych czynników, o tyle planowanie jest procesem bardziej taktycznym, polegającym na budowaniu planu w oparciu o dane z prognozy i opracowywaniu kroków jego realizacji.

Więcej o różnicy:

Czynniki wpływające na popyt i prognozę

Istnieje szereg czynników, które mają istotny wpływ na popyt i są brane pod uwagę przy prognozowaniu. Oto najważniejsze z nich:

pl

    pl
    Zamów prezentację, aby zwiększyć
    dokładność prognoz już jutro!

      thanks icon
      Dziękujemy za zapytanie
      wkrótce się z tobą skontaktujemy