Сервис прогнозирования поставок на склады маркетплейсов

Обеспечить устойчивую товарную доступность для отгрузок на склады маркетплейсов при минимальных запасах: снизить OOS и потери выручки, минимизировать финансовые потери от дисбаланса запасов и сократить операционные издержки за счёт автоматизации аналитики / прогнозирования, разгрузив категорийных менеджеров.

Для международного бренда канцелярских товаров разработали ML-сервис прогнозирования остатков на складах по модели FBO, управления запасами SKU и собора данных из разных источников в едином интерфейсе. Решение снижает риск Out of Stock, уменьшает «замороженный» капитал и экономит время категорийных менеджеров за счёт автоматизации аналитики и алертов.

Начали с создания надежного математического ядра и постепенно довели систему до полноценной промышленной интеграции, минимизируя ручной труд и максимизируя прибыль.

Мы использовали механизмы машинного обучения для детального анализа исторических и текущих данных о продажах. Цель этого анализа — выделить ключевые триггеры, сезонность и аномальные всплески продаж, чтобы на них формировать прогнозы спроса/продаж и высчитывать необходимое количество SKU для поставки на склады маркетплейсов. Данные мы брали из базы клиента (остатки, продажи, заказы).

Прототип позволил провести эксперименты и выбрать оптимальные ML-модели для промышленного внедрения, обеспечивающие максимально точный прогноз спроса и продаж.

Это гарантировало, что система готова к промышленному внедрению и способна сформировать надежные прогнозы на срок до 1 года, который, в свою очередь, строится на основании прогноза продаж и спроса.

Этот этап был ключевым, поскольку обеспечивал достижение основной бизнес-цели — максимально эффективного управления складскими запасами. Мы довели модель и модули расчёта и рекомендаций до готовности к промышленной интеграции.

Мы настроили регулярное обогащение данных новыми отчетами о реализациях, заказах и историями остатков, а также учитывали исторические остатки по каждому SKU на протяжении всего анализируемого периода. Техническая команда обеспечила сопоставление полей из разных отчетов маркетплейсов для приведения данных к единому виду.

При расчете прогноза система учитывала аномальные всплески по заказам, не завершившимся выкупом, чтобы «вычистить» их из общего прогноза продаж и корректно рассчитать потребность.

Пример

Клиент вводит ручные корректировки (период прогноза, маркетплейс, кластер/регион поставки и количество товаров в пути). После нажатия кнопки «СДЕЛАТЬ ПРОГНОЗ» система рассчитывает прогноз поставок.

Кроме того, мы внедрили двухфакторный АВС-анализ (по выручке и количеству заказов), чтобы присвоить каждому товару категорию. Это необходимо для правильной интерпретации точности прогноза, поскольку позволяет придать больший вес товарам, которые максимально влияют на общий результат.

В результате мы получили табличный вывод в веб-сервисе, который включает:

— SKU,

— ITEMID,

— прогноз поставок на склады,

— прогноз продаж,

— оборачиваемость товара (сколько дней осталось до OOS),

— рекомендации по поставке.

Все результаты расчетов обязательно сохраняются в базе данных.

Настроили единую систему алертов и детекции аномалий: сервис автоматически выявляет угрозу OOS (если запас Y дней), а также возможные ошибки в заказах и нетипичные всплески/провалы. Пороги алертов автоматизированы, уведомления отправляются в рабочие каналы. Это снижает риск OOS, сокращает недополученную выручку и экономит время категорийных менеджеров. Для категорийных менеджеров и логистов формируются объяснимые рекомендации — сколько и когда пополнить, с возможностью принять решение в один клик.

Эти необязательные, но полезные дополнения повысят уровень автоматизации и аналитической глубины.

На первом этапе расширения мы добавим дополнительные ручные поля для корректировки прогноза, такие как «Страховой запас на случай форс-мажоров».

Также мы реализуем функцию «Скачать Excel», которая выгружает прогноз в формате, совместимом с шаблоном поставки маркетплейса, что позволяет сразу подгрузить файл в личный кабинет для создания поставки.

Кроме того, улучшим систему фильтрации результатов, включая фильтрацию по оборачиваемости и угрозам.

На следующем этапе расширения мы углубим интеграцию и аналитику.

Добавим:

— интеграцию с календарем маркетплейсов для подсветки периодов акций;

— дополнительные поля данных о продажах, такие как средние уровни заказов, текущий остаток, сток в пути и процент выкупа SKU, с корректировкой поставки на этот показатель;

— график фактических и прогнозируемых продаж с доверительным интервалом и визуальное отображение текущего остатка на складе клиента;

— отдельный интерфейс с интеграцией в CRM/ERP заказчика.

В результате получим ещё более прозрачные и прогнозируемые бизнес-процессы, практически полное исключение ручных операций по формированию поставочных файлов и глубокую аналитику, учитывающую внешние факторы и эффективность выкупа товара.

После получения прогноза спроса от модели машинного обучения мы применили ABC-анализ, чтобы с учётом влияния товаров на выручку и частоты продаж корректно расставить приоритеты и корректно дать рекомендации по поставкам на склад.

Шаг 1. Подготовили данные

Собрали данные за определённый периоды по каждому SKU со всех каналов маркетплейсов.

Шаг 2. Провели два независимых ABC-анализа отдельно для каждого критерия

Анализ по Выручке

— Отсортировали все товары по убыванию выручки.

— Рассчитали накопительную долю выручки от общего итога.

— Присвоили категории:

A-Выручка: товары, дающие первые ~80% совокупной выручки.

B-Выручка: следующие ~15% совокупной выручки.

C-Выручка: оставшиеся ~5% совокупной выручки.

Анализ по количеству заказов

— Отсортировали все товары по убыванию количества заказов.

— Рассчитали накопительную долю от общего количества заказов.

— Присвоили категории по тому же принципу:

A-Заказы: товары с наибольшим количеством продаж (часто покупаемые).

B-Заказы: товары со средним количеством продаж.

C-Заказы: товары, которые продаются редко.

Шаг 3. Присвоили комбинированные категории

Мы создали матрицу, где по вертикали — категория по Выручке (A, B, C), а по горизонтали — категория по Заказам (A, B, C). В результате получилось 9 групп.

Каждый товар получил двухбуквенный код в зависимости от своих позиций в двух анализах. Например, товар с высокой выручкой (A), но средним количеством заказов (B) попадает в категорию AB.

Критерии и интерпретация категорий товаров

AA: самые ценные товары. Дают основную выручку и стабильно продаются. Ключевые для бизнеса.

AB: высокая выручка, но продаются не так часто, как АА. Это могут быть товары с высокой ценой.

AC: высокая выручка, но достигается за счет редких, но очень крупных заказов. Спрос нестабилен и сложен для прогнозирования.

BA: средняя выручка, но высокий оборот. Основа ассортимента по стабильности.

BB: стандартные товары со средними показателями по обоим критериям.

BC: средняя выручка и низкая частота. Кандидаты на удаление из ассортимента.

CA: много мелких заказов, но в сумме выручка низкая. Могут создавать высокую операционную нагрузку при низкой отдаче.

CB: низкая выручка, средняя частота.

CC: товары с минимальным вкладом. Основные кандидаты на распродажу и вывод из ассортимента.

Пример проведения двухфакторного ABC-анализа