Прогнозування попиту на сезонні товари: як не упустити продажі та не залишитися з надлишками – Consulting for Retail

Старший консультант відділу ERP у Consulting for Retail (C4R) Антон Цемеров у своїй колонці для RAU поділився «різдвяною історією» про прогнозування попиту.

Цей матеріал доступний російською мовою

Навіть якщо чарівність святкової обстановки вже огортає вас, співробітники спрацювали відповідально і завчасно підготували магазини торгової мережі до новорічного періоду, слід пам’ятати, що після святкових канікул настає проза: знову доводиться розбиратися з недопоставками або ліквідувати залишки на складі. Як налагодити точне прогнозування попиту, щоб не упустити продажі та не залишитися з надлишками, тим самим зіпсувавши собі настрій та фінансові показники, розповідає старший консультант відділу ERP у Consulting for Retail (C4R) Антон Цемеров.

У команді C4R ми запроваджуємо IT-рішення, які допомагають роздрібним мережам обслуговувати покупців максимально ефективно. Досвід планування, прогнозування попиту та продажів дає можливість дивитися на товари з погляду шляху, який вони долають, перш ніж потрапити на полицю та в кошик покупця. І краще, щоб параметри цього шляху спрогнозували максимально точно.

Як покращити прогнозування попиту на сезонні продукти

У новорічно-різдвяний період збільшується попит на продукти, які зазвичай займають своє місце на святковому столі. Червона ікра та ігристі вина – яскравий приклад продуктів із вираженим сезонним зростанням попиту у зимові свята. Підготовка до закупівлі таких продуктів у мережах супермаркетів починається за кілька місяців, а в ідеалі – за півроку до початку святкового періоду. Чим цікавішу цінову пропозицію рітейлер хоче зробити покупцю, тим раніше потрібно розуміти прогнозний попит для всіх цих товарів. Терміни підготовки, звісно, ​​залежать і від розміру торгової мережі.

Тобто до серпня торговій мережі потрібно провести прогнозування попиту та остаточно розуміти, скільки ікри, новорічної мішури та мандаринів слід закупити.

При цьому необхідно враховувати:

• попередні сезонні фактори;
• зростання товарообігу LFL (Like for like);
• промо акції;
• крос-ефекти: гало та канібалізація;
• зміна частки та пенетрації категорій, товарів.

До того ж, при прогнозуванні попиту на товари категорії fresh важливим буде правильно розподілити поставки на магазини мережі за різними датами.

Звісно, ​​терміни придатності як ігристих вин, так і червоної ікри дозволяють їх продати і після всіх свят. Тому мережі можуть не так сильно перейматися надлишками, хоч вони і займають значну площу складу, а оборотні кошти, витрачені на їх закупівлю, можна вважати тимчасово замороженими. Куди гіршим буде створення недостатнього товарного запасу, що означає для мережі втрачені продажі та розчарування клієнтів.

Оскільки вручну зробити такий прогноз практично неможливо, або його точність буде гранично низька, пропонуємо розглянути рішення, здатне зробити процес прогнозування найбільш точним.

Для точного прогнозу використовуйте рішення на основі AI

Ланцюжки поставок підтримуються великим обсягом даних. Наявність єдиної платформи для розміщення та обробки всього цього масиву інформації – перший крок до створення логістики, орієнтованої на майбутнє.

Але навіть при використанні єдиного масиву даних більшість систем на основі традиційних алгоритмів самі по собі не можуть впоратися з обсягом інформації і сформувати оптимальне рішення. Тобто за наявності всіх даних про те, скільки ікри, шампанського та мандаринів продано минулого новорічного періоду, система не зможе прийняти правильне рішення для замовлення з поправкою на втрачені продажі та ліквідацію залишків. При високій динаміці ринку та змін купівельної поведінки алгоритми з використанням штучного інтелекту (ШІ, англ. artificial intelligence, AI) виходять на перше місце.

Нижче пропонується порівняння систем прогнозування попиту з класичним підходом та рішення на основі AI:

Здатність вчитися. Традиційні системи не вчаться, ґрунтуючи прогнози виключно на минулих даних, тому не дають можливості йти в ногу із постійними змінами у поведінці клієнтів. У той же час система з AI буде вчитися та адаптуватися, щоб забезпечувати різний результат відповідно до його знань та розуміння всіх факторів.

Робота алгоритму. Системи без штучного інтелекту завжди видаватимуть однаковий прогноз, оскільки алгоритм підрахунків не змінюється. Тоді як AI-модель щоразу навчається і перебудовується на основі даних, що вводяться. Наприклад, система з AI у замовленні на майбутній період враховує ліквідацію залишків із розпродажу.

Дані. Традиційні рішення працюють із історичними даними та не розраховані на облік впливу зовнішніх факторів. Штучний інтелект надає велику інформацію про клієнтів, засновану на потужних та композитних джерелах даних.

Прогнозування майбутнього попиту. У міру просування алгоритм AI стає розумнішим, бачить те, чого не помічає людське око, та надає нові рішення задач. А традиційне рішення просто не може прогнозувати майбутній попит без можливості вчитися.

Крім того, AI надає додаткову допомогу в плануванні ланцюжка поставок, дозволяючи керівникам зосередитись на більш важливих (стратегічних) завданнях.

Штучний інтелект розпізнає тенденції та аномалії у структурі попиту, які залишилися б непоміченими традиційними методами прогнозування. Завдяки цим можливостям систем/рішень нового покоління, роздрібний ланцюжок поставок розвивається та адаптується до нових реалій, нових каналів продажу та нових товарів в асортименті. Наприклад, він скоригує замовлення тих же мандаринів, якщо покупці їх не розкупили минулого року. І навпаки, замовить більше свіжого м’яса, якщо в останній святковий сезон його не вистачило. Підвищуючи продаж «потрібних/цікавих» покупцю товарів, разом з цим збільшує дохід, скорочує стоки та витрати на їх обслуговування. А клієнт залишається задоволеним, несучи додому такі потрібні покупки та продукти для новорічного частування.

Штучний інтелект відчуває всі впливи на попит у масштабах магазину. При правильному застосуванні він усуває непослідовні купівлі запасів, надлишкові запаси і, як наслідок, уцінки, відсутність запасів та зниження маржі. Фактично, без штучного інтелекту та машинного навчання неможливо повністю оцінити споживчий попит, особливо у період свят.

Зустрічайте свята у всеозброєнні

Звичайно, йдеться не лише про ігристе або червону ікру до новорічного столу, а й про прогнозування попиту на всі інші сезонні товари. Зрозуміти і передбачити потрібну їхню кількість непросто через безліч складових прогнозу. Потрібно врахувати занадто багато факторів та їх поєднання, що складно для повного людського усвідомлення або для цього потрібно багато часу. Тому будь це продукти на Новий рік, такі як свіже м’ясо або мандарини, ананаси, або готові напівфабрикати шашлику на травневі свята, завдання точного прогнозування попиту на всі категорії, особливо fresh, вимагає допомоги AI.

Сучасні ланцюжки поставок дуже складні і на них впливає безліч чинників. У той же час є технологічні досягнення, які допомагають прогнозувати попит і доставляти продукти туди, де їх потребують, з мінімальними витратами і відходами, а також з максимальним задоволенням і турботою про здоров’я клієнта. Нехай у новому році прогноз для вас буде точним та якісним!

Читайте також –

Блог Consulting for Retail: як залишатися актуальним фахівцем у рітейлі