Почему машинное обучение используют в ритейле?
Машинное обучение дает системе возможность автоматически обучаться и улучшать свои рекомендации, используя только данные, без необходимости в дополнительном программировании.
ML позволяет включать широкий спектр факторов и взаимосвязей, которые ежедневно влияют на спрос, в розничные прогнозы. Это чрезвычайно ценно, поскольку одни только данные о погоде могут состоять из сотен различных факторов, которые могут потенциально влиять на спрос. Алгоритмы машинного обучения автоматически генерируют постоянно совершенствующиеся модели, используя только те данные, которые им предоставляют, будь то внутренние данные или информация из внешних потоков. Основное преимущество заключается в том, что такая система может обрабатывать наборы данных в масштабе всей розничной сети из различных источников, и все это без человеческого труда.
Конечно, алгоритмы машинного обучения не новы — они существуют уже десятки лет. Но никогда ранее они не могли получить доступ к такому количеству данных или мощности обработки данных, как это доступно сегодня.
Как ML решает проблемы прогнозирования спроса в ритейле
Машинное обучение — чрезвычайно мощный инструмент в среде розничной торговли, насыщенной данными. Его следует использовать в любом контексте, где данные могут использоваться для прогнозирования или объяснения изменений спроса. В некоторых случаях оно может даже заполнить пробелы, где данных не хватает.
Сложные явления, влияющие на спрос
Моделирование временных рядов — это проверенный подход, который может обеспечить хорошие прогнозы для повторяющихся моделей, таких как изменения спроса, связанные с буднями или сезонными изменениями. Однако по нашему опыту прогнозирование спроса на основе машинного обучения последовательно обеспечивает уровень точности прогнозирования, который по крайней мере соответствует уровню точности моделирования временных рядов, а обычно даже выше. В то время как модели временных рядов просто применяют прошлые модели к будущему спросу, машинное обучение идет на шаг дальше, пытаясь определить фактическую связь между переменными (например, будними днями) и связанными с ними моделями спроса.
ML также оптимизирует и упрощает прогнозирование розничного спроса. При использовании моделей временных рядов ритейлерам приходится манипулировать полученным базовым прогнозом продаж, чтобы учесть влияние, например, предстоящих акций или изменений цен. С другой стороны, машинное обучение автоматически учитывает все эти факторы.
Помимо этого, ML также позволяет улавливать влияние, когда взаимодействуют несколько факторов — например, погода и день недели. Теплая, солнечная погода может привести к гораздо большему росту спроса на продукты для барбекю, если она совпадает с выходными.
Изменения цен и акции
Собственные бизнес-решения ритейлера также являются важным источником колебаний спроса: от акций и изменений цен до корректировок в том, как продукты выкладываются в магазинах. Тем не менее, несмотря на то, что ритейлеры обычно планируют и контролируют эти изменения самостоятельно, многие в отрасли не могут точно предсказать их влияние.
Машинное обучение позволяет ритейлерам точно моделировать ценовую эластичность продукта, то есть насколько сильно изменение цены повлияет на спрос на этот продукт. Эта возможность очень ценна как часть прогнозирования продвижения, а также при оптимизации уценки для распродажи запасов перед сменой ассортимента или окончанием сезона. Кроме того, ритейлерам необходимо регулярно корректировать потребительские цены, чтобы отражать цены поставщиков и другие изменения в своей базе затрат.
Однако сама по себе ценовая эластичность не охватывает все влияние изменений цен. Ценообразование продукта по отношению к альтернативным продуктам в той же категории часто также оказывает большое влияние. Во многих категориях продукт с самой низкой ценой захватывает непропорционально большую долю спроса. Прогнозирование спроса на основе ML позволяет довольно просто рассмотреть ценовую позицию продукта. Благодаря этому ритейлеры могут точно предсказать влияние акций, принимая во внимание такие факторы, как:
- тип акции, например, снижение цены или множественная покупка;
- маркетинговые мероприятия, такие как рекламные объявления или вывески в магазинах;
- снижение цен на продукцию.
Каннибализация продаж — явление, при котором рекламный подъем одного продукта вызывает снижение продаж других продуктов в этой категории, является довольно распространенным и также должно учитываться в прогнозах, особенно для свежих продуктов. Например, если в супермаркете продаются два бренда постного органического говяжьего фарша, они должны ожидать, что рекламная акция на первый продукт заставит больше людей покупать его. Однако в результате часть спроса на второй продукт перейдет на первый. Если прогноз спроса на второй продукт не будет точечно снижен, у розничного продавца высок риск затоваривания, что в конечном итоге приведет к отходам.
Ручная корректировка прогнозов для всех потенциально каннибализированных товаров просто невозможна в большинстве розничных контекстов, поскольку количество товаров, которые нужно скорректировать, просто слишком велико. Шаблоны также обычно весьма специфичны для ассортимента и шаблонов покупок отдельных магазинов. Именно здесь способность алгоритмов машинного обучения автоматически определять шаблоны и соответствующим образом корректировать прогнозы добавляет огромную ценность.
С другой стороны, продвижение первого продукта, скорее всего, увеличит продажи некоторых сопутствующих товаров за пределами класса «говяжий фарш» в так называемом эффекте ореола. Например, булочки для гамбургеров имеют очевидную и предсказуемую связь с говяжьим фаршем.
К сожалению, влияние может быть настолько рассеяно по ассортименту, что идентификация каждого затронутого продукта становится практически невозможной, даже с помощью машинного обучения. Покупатели могут ассоциировать лук, картофельные чипсы, пиво, арбуз, наборы для тако, салатные добавки, устричные крекеры, кукурузу в початках, вустерширский соус, соевый соус и любое количество других товаров с блюдами на основе говяжьего фарша. Но даже если системы прогнозирования не могут определить все возможные гало-связи, они все равно должны облегчить для планировщиков корректировку прогнозов с учетом связей, о которых они знают.
Погода, местные события и другие внешние факторы
Внешние факторы, такие как погода, местные концерты и спортивные соревнования, а также изменения цен конкурентов, могут оказывать значительное влияние на спрос, но их трудно учитывать в прогнозах без программного обеспечения для планирования спроса, которое автоматизирует большую часть работы. На высоком уровне влияние может быть довольно интуитивным. В теплый день вы, скорее всего, увидите рост продаж мороженого, тогда как в сезон дождей увеличится спрос на зонтики и так далее.
Однако при рассмотрении всего ассортимента ритейлера задача усложняется. Как можно эффективно идентифицировать все продукты, которые реагируют на погоду? Можно ли учесть весь спектр переменных, которые составляют «прогноз погоды»: температуру, солнечную активность, осадки и многое другое? Будет ли погодное воздействие солнечного света сильнее летом, чем зимой? Или сильнее в выходные, чем в будние дни?
Использование данных о погоде в прогнозах спроса является ярким примером силы машинного обучения. ML-алгоритмы могут автоматически обнаруживать связи между локальными погодными переменными и локальными продажами. Они могут отображать эти связи на более детальном, локализованном уровне, чем это может сделать любое человеческое усилие. Они также способны определять и действовать на основе менее очевидных связей, которые человеческая интуиция или «здравый смысл» могут упустить из виду.
Когда планировщиков спроса или персонал магазина просят вручную проверять прогнозы погоды, чтобы повлиять на решения о заказе, они сосредотачиваются на обеспечении поставок для ожидаемого увеличения спроса — например, на доставке мороженого в магазины во время аномальной жары. Однако редко у кого-то есть время немного скорректировать прогнозы по мороженому в сторону понижения во время дождливых недель или похолодания летом. Команде планирования, использующей машинное обучение, не нужно беспокоиться о таких корректировках, поскольку система может предлагать их автоматически.
Автоматический учет погодных условий в прогнозах спроса снижает ошибки прогнозов на 5–15 % на уровне товара для продуктов, чувствительных к погодным условиям, и до 40 % на уровне группы товаров и магазина.
Но данные о погоде — это далеко не единственные внешние данные, которые можно или нужно включить в прогнозирование спроса в ритейле. Любое количество внешних источников данных, таких как прошедшие и будущие местные события (например, футбольные матчи или концерты), данные о ценах конкурентов и данные о мобильности людей, можно использовать для улучшения результатов таким же образом.
Другие факторы
До сих пор мы исследовали контексты, в которых факторы, влияющие на спрос — еженедельные и сезонные закономерности, бизнес-решения и внешние факторы — легко идентифицируются. Но машинное обучение может помочь скорректировать прогнозы даже в ситуациях, когда влияющие факторы, внутренние или внешние, неизвестны.
В секторах розничной торговли часто имеется большой объем данных. Однако ближе к уровням магазинов и SKU эти данные становятся скудными или неполными. Именно здесь часто принимаются решения о пополнении запасов. В традиционной розничной торговле локальные события, такие как открытие или закрытие магазина конкурента, могут существенно влиять на спрос. Локальные изменения окружающей среды, такие как строительство, прерывающее доступ к дорогам или зданиям, могут повлиять на краткосрочный пешеходный трафик и спрос.
К сожалению, данные об этих факторах могут не фиксироваться ни в одной системе. Иногда внутренние решения ритейлеров также остаются нефиксированными, например изменения ассортимента, изменения цен или добавление продукта в специальную зону показа вне полки.
К счастью, машинное обучение может помочь и в таких ситуациях. Алгоритмы машинного обучения могут предварительно разместить «точку изменения» в модели прогнозирования, а затем отслеживать последующие данные, чтобы либо опровергнуть, либо подтвердить гипотезу.
Обнаружение сдвига уровня — обнаружение моментов времени, когда уровень спроса существенно изменился — позволяет прогнозам быстро и автоматически адаптироваться к новым уровням спроса. Этот подход помогает улучшить оценки таких вещей, как акции, события и сезонность, когда контролируется влияние неизвестных факторов.
Методология сдвига уровня также позволяет учитывать внешние знания пользователей. Надежность очень важна при прогнозировании спроса в крупных розничных сетях, и нужно избегать реагирования на шум. Однако, когда пользователь знает причину скачка спроса, сдвиг уровня можно добавить вручную, чтобы модель немедленно отреагировала на этот новый уровень спроса. Важно помнить, что по мере усложнения алгоритмов необходимо вводить в систему правильные данные. Например, запись того, когда продукт есть и когда его нет в ассортименте, является ключом к пониманию моделей спроса на него.
Кроме того, все факторы, которые влияют на спрос обычно не возникают по одному. Крайне важно иметь возможность рассматривать сценарии, когда сочетание таких факторов, как будние дни, погода, акции и каннибализация происходят одновременно. Только искусственный интеллект и машинное обучение могут справиться с такими сложными взаимодействиями между различными факторами, влияющими на спрос.
Как использовать ML в прогнозировании спроса
Хотя технологии искусственного интеллекта и машинного обучения стали мейнстримом, ритейлерам все равно следует учитывать некоторые соображения при определении того, как использовать их в своем бизнесе. Некоторые соображения специфичны для контекста розничной торговли, тогда как другие — например, уровень прозрачности — достаточно общие, чтобы применяться к любой ситуации, требующей командной работы компьютера и человека.
Работа с товарами long tail
Ритейлеры правы, когда отдают приоритет проблемам прогнозирования быстро продаваемых товаров, но медленно продаваемые товары составляют значительную часть потоков запасов и представляют свои собственные уникальные проблемы прогнозирования. Ограниченная детализация данных, доступных для каждого продукта, магазина и фактора, влияющего на спрос или для товаров, которые продаются только несколькими единицами в день или неделю, приводит к высокой степени случайной вариации прогнозирования, что затрудняет выявление закономерностей и взаимосвязей в шуме данных.
У компаний могут быть тысячи точек данных для быстро реализуемых продуктов, но только десятки или сотни для товаров long tail. Этот дефицит данных затрудняет различение эффектов факторов, влияющих на спрос, таких как погода, корректировка цен, изменения выкладки, сезонность или действия конкурентов, от очевидной случайности. Эти идеи имеют решающее значение для обоснованных стратегий снабжения и пополнения в распределительных центрах.
Дефицит данных также создает риск «переобучения», когда слишком много переменных или сложность подавляют алгоритм и заставляют его «учиться» на шуме, а не определять фактические сигналы спроса. Эти модели переобучения могут казаться точными с тренировочными данными, но часто дают сбои при столкновении с новыми, невиданными данными, что приводит к неустойчивым или «нервным» прогнозам, которые слишком остро реагируют на незначительные изменения в данных.
Наиболее эффективным методом преодоления низких объемов и разреженных данных на уровне продуктового магазина является объединение данных. Этот метод требует от продавца агрегировать или «объединять» данные, которые он генерирует по различным измерениям, включая:
- каналы продаж;
- типы продукции;
- расположение магазинов;
- периоды времени;
- поведение, предпочтения и демография клиентов;
- рекламные данные.
Эта стратегия «объединения данных» гарантирует, что коллективные идеи способствуют лучшему пониманию факторов, влияющих на спрос, таких как акции, погода и сезонность, даже при ограниченных данных по местоположению продукта. Объединение этих данных позволяет ML-алгоритмам использовать более богатый набор данных, обеспечивая надежность для минимизации влияния колебаний спроса на прогнозирование.
Объединение данных также служит основополагающим методом для многоуровневого моделирования, статистического подхода, который требует агрегирования информации по иерархическим структурам для повышения точности и надежности модели. Многоуровневое моделирование обеспечивает высокую степень автоматизации и надежности, позволяя алгоритмам адаптивно выбирать подходящий уровень анализа — будь то продукт-магазин, продукт-регион или продукт-цепочка — без ручного вмешательства. Такой подход не только снижает риски, связанные с разреженными данными, но и повышает масштабируемость и точность прогнозирования спроса на товары long tail.
Использование человеческого опыта
Прогнозирование и автоматизация пополнения запасов чрезвычайно полезны в периоды сбоев в цепочке поставок, поскольку они освобождают больше времени планировщиков. Однако люди по-прежнему необходимы для управления системой при работе с чрезвычайно важными, необычными событиями. В таких ситуациях ритейлеры должны сосредоточиться не только на попытках сделать хорошие прогнозы. Они также должны оценивать бизнес-риски сценариев роста и падения. Будь то исключительные периоды сбоев или периоды более стабильного спроса, взаимодействие человека и компьютера необходимо в форме действенной аналитики.
Прогнозы спроса никогда не бывают идеальными, поэтому всегда будут ситуации, в которых планировщикам нужно будет их анализировать. Инструменты визуализации прогнозов позволяют планировщикам быстро понять, какие факторы влияют, что способствует более глубокому доверию к возможностям системы. Затем планировщики могут доверить системе управление стандартными ситуациями и вместо этого сосредоточиться на управлении исключительными сценариями или ручной корректировке уровней прогноза в ответ на быстро меняющиеся условия.
Прозрачное решение также дает планировщикам ценные идеи для дальнейших улучшений — будь то лучшие данные, необходимость дополнительной классификации продуктов или тестирование новых комбинаций факторов (например, добавление переменной «самая низкая цена»). Менее полезна система «черного ящика», где низкая прозрачность делает невозможным понимание того, почему даются автоматизированные рекомендации. Такое отсутствие прозрачности быстро подрывает доверие пользователей, что часто приводит к низким показателям принятия системы.
Роль прогнозирования спроса
Хотя прогнозирование спроса в ритейле имеет важное значение, даже отличные прогнозы ничего не стоят, если их не использовать разумно для принятия бизнес-решений. Пользователи могут и будут добавлять ценность в ситуациях, когда у них есть информация, которой нет у системы, поскольку входные данные диктуют выходные данные алгоритма.
Например, при управлении медленно продаваемыми товарами точность прогноза гораздо менее важна для прибыли, чем пополнение запасов и оптимизация пространства, которые будут способствовать сбалансированным, мало контактным потокам товаров по всей цепочке поставок. Поэтому лучше применять ИИ во всех основных процессах планирования — спрос, операции и мерчандайзинг — для повышения прибыльности и устойчивости
Внедрение машинного обучения для прогнозирования спроса закладывает основу для интеграции передового ИИ в розничную торговлю. Однако потенциальные приложения ИИ выходят далеко за рамки первоначальных усилий по прогнозированию. Передовые инструменты ИИ могут решать общие задачи планирования в предикативном управлении запасами, цепочке поставок и диагностике магазина, включая оптимизацию рабочей силы, обработку товаров в магазине и автоматизацию стратегии уценки.
Эволюция в сторону более интегрированного применения ИИ в розничной торговле открывает широкий спектр возможностей для быстрых и существенных побед в основных функциях сектора, способствуя существенному повышению эффективности и устойчивости.
{{prognoz-sistem}}
Прогнозирование спроса от Napoleon IT
Система прогнозирования спроса от Napoleon IT позволяет ритейлерам и производственным компаниям точнее предсказывать изменение потребностей своих клиентов и оперировать данными в режиме реального времени. Благодаря применению современных технологий машинного обучения и продуманной архитектуре решения, бизнес получает возможность уменьшить складские затраты, быстрее реагировать на изменение потребительских предпочтений и оптимизировать уровень запасов. Это обеспечивает более гибкое планирование и способствует увеличению оборота за счет эффективного управления ассортиментом и логистикой.
Важным преимуществом подхода Napoleon IT является комплексный охват: решение легко интегрируется с уже используемыми системами управления предприятия (ERP, CRM, WMS и т. д.), а также может учитывать внешние факторы вроде сезонности, промоакций и даже погодных условий. Специалисты Napoleon IT не только настраивают алгоритмы под конкретные бизнес-задачи, но и обеспечивают аналитику и консультационную поддержку, помогая клиентам в полной мере использовать новые инструменты для снижения расходов, ускорения цепочек поставок и повышения конкурентоспособности на рынке.
Заинтересованы в повышении точности прогнозов и оптимизации запасов? Свяжитесь с нами, чтобы начать внедрение умной системы прогнозирования от Napoleon IT!
