Сделали систему прогнозирования спроса на ML-модели — рост выручки международной FMCG-компании на 2%

Разработать модель прогнозирования спроса для одной из крупнейших транснациональных корпораций с российским представительством (NDA).

Мы должны были разработать ML-модель, которая помогает рассчитывать какое количество товаров, каких торговых марок, когда и где нужно продавать компании, чтобы выполнять квартальные и годовые планы магазинов по розничному товарообороту (РТО) и маржинальности.

Клиент уже принимал решения на основе данных, но хотел повысить точность и прозрачность таких решений. Готовые коробочные решения не подходили, потому что точность их прогнозирования не соответствовала стандартам головного офиса, а затраты на их доработку оказались выше затрат на разработку собственного решения.

Нам нужно было разработать систему, которая позволит указывать KPI на всех уровнях управления и будет прогнозировать спрос и предложение необходимые для выполнения заданных показателей.

Кроме разработки самой ML-модели мы должны были:

1. Помочь собрать и проанализировать данные, выявить закономерности и определить какие факторы влияют на спрос и результаты прогноза.

2. Провести интеграцию с существующей системой коммерческого планирования и добиться того, чтобы менеджеры по логистике начали планировать складские запасы на основе полученных прогнозов.

За 14 недель мы разработали и внедрили сервис прогнозирования спроса на товары с учетом запасов, цен, скидок, погоды, продаж конкурентов и других параметров.

Система сразу помогла клиенту повысить эффективность сбыта, например:

— Процесс принятия решения ускорился в 2 раза.

— Расходы на планирование сократились в 3,5 раза.

— Прибыльность маркетинговых компаний увеличилась на 7%.

— За счет этого общая выручка компании выросла на 2%.

Мы помогли собрать исторические данные о продажах в магазинах, обнаружить и устранить методологические ошибки в сборе данных, выявить закономерности спроса, разработали и обучили модель. Менеджеры по логистике начали планировать складские запасы на основе полученных прогнозов. Сама точность прогнозов увеличилась, а отчетность стала прозрачнее и точнее.

Принцип работы системы прогнозирования с участием AI:

1. Аналитики собирают исторические данные по сетям минимум за 3,5 года, чтобы получить информацию о сезонности продаж.

2. Менеджер указывает параметры прогноза: период для построения модели, необходимую разбивку прогноза по времени, указывает планируемые промоакции, скидки или повышения цен.

3. Программа анализирует продажи за такой же период в прошлые годы и учитывает другие факторы, влияющие на спрос — наличие товаров на складах, разные тренды, эффекты сезонности, гало и другие.

4. Программа составляет отчет на основе загруженных данных. В нем менеджер видит, какие товары, в каком количестве, в каких магазинах и по каким ценам ему нужно выставить, чтобы его город достиг заданных целевых показателей.

Другими словами, менеджер получает руководство по тому, как превратить плановый показатель в фактический.

На основе ранее разработанных сервисов моделирования спроса для компаний из разных отраслей — для дистрибьютора химических материалов, для производителя керамической плитки, для магазина одежды — сформировали набор требований для данных клиента, чтобы обучить модель:

1. Наличие исторических данных по продажам

Например, подойдет ряд данных «Локация — ID товара — Дата продажи — Количество проданных единиц товара». Этого уже достаточно для того, чтобы построить первый прогноз.

2. Достаточность истории данных для желаемого периода прогнозирования

Если необходимо спрогнозировать спрос на три месяца, то компания должна собрать и предоставить данные как минимум за 2 предшествующих года и три месяца. Если в продажам свойственна сезонность, то нужно иметь данные за 3–4 предшествующих года.

3. Наличие дополнительных параметров для более высокой точности прогноза

Уточнить прогноз спроса можно, если добавить в него следующие данные: информацию о складских остатках, цены товаров, промо активности. Добавлять данные, как и повышать точность прогноза, можно постепенно.

4. Влияние степени дисперсии данных

Иногда ежедневные данные сильно отличаются друг от друга. Например, на основании данных кажется, что каждые три дня происходит всплеск продаж, превышая норму в 10 раз. Такое может случаться, если данные в систему учета загружают, когда придется и сразу пачкой. Либо дистрибьютор закупает крупные партии и не делится информацией о ежедневных продажах.

5. Отсутствие нулей и пропусков в данных

Для идеального прогнозирования в данных о продажах не должно быть пропусков. Сложно моделировать спрос, если приходится работать с нулевыми значениями. Это снижает точность прогноза, при этом сложно точно определить из-за чего упала точность — из-за ошибки искусственного интеллекта при расчетах или из-за большого количества дней с нулевыми продажами в данных.

Бизнес начинает разрабатывать собственную ML-модель и отказываться от коробочных решений по типу SAS, AWS, Google Analytics и других, когда:

1. Собирается развивать направление работы с данными внутри компании и внедрять их в новых вертикалях.

2. Хочет сохранять дата-экспертизу внутри, чтобы развивать модели и оценивать влияние дополнительных параметров на прогнозные значения спроса.

3. Дорабатывать систему под свои задачи.

4. Хочет иметь сверхточный прогноз.

Наш клиент попадал под эти случаи. Коробочные решения действительно не подходили ему из-за низкой точности прогнозирования, потому что пытались уместить в себе специфику разных отраслей, бизнесов и влияющих факторов. Например, то, что подходило для продажи свежей рыбы, плохо работало для дистрибуции керамической плитки. И в результате ни клиент, ни другие компании не могли вписать свои требования и данные в жесткие рамки коробочного решения. А донастройка решения под свои задачи и стандарты обходилась бы дороже разработки собственной модели.

1. Работали с живыми данными.

2. Прогнозировали спрос с учетом цен, скидок и канибализации товаров.

3. Рассчитывали оптимальные параметры для скидок.

У клиента не было какой-то единой и строгой системы сбора данных, поэтому могли быть ошибки, пропуски, проблемы со сбором. При анализе данных и обучении модели, мы должны были преодолеть эти проблемы, при этом не увязнуть в процессе, но и добиться необходимой точности прогноза.

Мы искали не просто неправильные показатели продаж, цены и спроса. Мы искали методологические ошибки сбора и очищали данные от них. 

Например, изучили статистические отчеты и графики распределения цен, нашли аномальные распределения, залезли в таблицы с цифрами и обнаружили, что часть стоимостей заносились с учетом НДС, а другие — нет.

Мы разработали и внедрили модель за 14 недель.

Модель прогнозирует спрос на товары с учетом запасов, цен, скидок, погоды, продаж конкурентов и других параметров. Менеджеры по логистике начали планировать складские запасы на основе полученных прогнозов. Сама точность прогнозов увеличилась, а отчетность стала прозрачнее и точнее.

Модель также помогла клиенту изменить привычные бизнес-действия, например:

— Время принятия решения сократилось в 2 раза.

— Расходы компании на планирование сократились в 3,5 раза.

— Прибыльность промоакций выросла на 7%.

— За счет этого общая выручка компании выросла на 2%.