Лайфхаки

Ксенія Савчук

Як впровадити рішення прогнозування попиту методами машинного навчання?

14:50, 29/05/2020

Серед технологій для рітейлу все частіше згадуються штучний інтелект, алгоритми машинного навчання і їх ефективність для прогнозування попиту. Як впровадити такі рішення, які дані будуть потрібні, яких результатів очікувати та в які терміни?

Як працює машинне навчання

Основна відмінність від традиційного аналізу – це не програмування алгоритму, а навчання моделі розв’язувати позначену задачу на наданих даних. Такі алгоритми називаються алгоритмами машинного навчання (Machine Learning, ML), і вони починають витісняти існували досі підходи до аналітики.

Вимога для реалізації завдань методами машинного навчання – це наявність певного набору історичних даних для навчання моделі з глибиною зберігання в залежності від реалізованого рішення.

У чому перевага технології, які дані потрібні, за який період, якого ефекту чекати – розберемося на прикладі прогнозування попиту для цілей Автозамовлення.

Переваги ML алгоритмів для прогнозування попиту

Алгоритми машинного навчання дозволяють побудувати взаємозв’язку між різними даними та безліччю ознак, а розвиток хмарних обчислень роблять доступним подібні рішення не тільки для великих корпорацій, але і для компаній середнього та малого бізнесу.

Рітейлери, що впровадили прогнозування методами машинного навчання, виділяють наступні переваги ML алгоритмів:

  • Збільшення точності прогнозу.
  • Точність прогнозу в товарній категорії досягає 95%, а середній показник поліпшення якості прогнозу в порівнянні з традиційними алгоритмами становить 15-20 пунктів.
  • Автоматичний прогноз обсягів товару на акцію.
  • ML алгоритми дозволяють відмовитися від ручного коректування обсягів товару при плануванні акцій.
  • Адаптивність алгоритмів.

У ситуації нестабільного попиту через епідемію коронавірусу ML алгоритмам достатньо тижня для адаптації до зміни в споживанні.

Поліпшення точності системи Автозамовлення

Низька точність системи Автозамовлення призводить до перезатарювання і зниження ліквідності, а іноді, навпаки, дефіцитів і відсутності товарів на полиці, як наслідок, зниження лояльності покупців.

В основі рішення Автозамовлення лежить формула планового замовлення:

Планове замовлення = Прогноз продажів + Страховий запас – Залишки на початок

Залишки на початок – величина відома, страховий запас, як правило, розраховується з розмірів полки, відповідно, щоб збільшити точність Автозамовлення треба працювати з прогнозуванням продажів або попиту.

Завдання по реалізації системи Автозамовлення можна розділити на два етапи:

  1. Формування прогнозу продажів, використовуючи алгоритми машинного навчання
  2. Створення системи Автозамовлення (постобробка, відповідно до наведеної вище формулі).

Якщо система Автозамовлення у рітейлера вже є, то прогнозування попиту методами машинного навчання можна інтегрувати в існуючу систему.

Для пілотного проєкту, як правило, вибирають 1-2 магазину і кілька категорій.

Як впровадити рішення прогнозування попиту методами машинного навчання?

Набір даних для побудови моделі прогнозування попиту залежить від структури та набору аналітичних ознак, які підтримує компанія, але мінімальні вимоги все ж існують.

Для побудови моделі машинного навчання будуть потрібні історичні дані з глибиною зберігання не менше ніж за 2 роки. Така вимога пов’язана із залежністю попиту від сезонів, тому важливо мати дані за два повторюваних цикли.

Для реалізації повинні бути отримані:

  • Довідники товарів
  • Довідники магазинів
  • Дані про чеки
  • Історія акцій
  • Історія повернень, уцінок, списань
  • Дані про залишки

Як показує наш досвід розробок систем прогнозування попиту, найбільшу складність викликає надання розмітки продажів на акції та уцінки. Подібна інформація часто зберігається розрізнено, іноді дані по акціях просто відсутні й доводиться відновлювати та розмічати історію продажів на акції вручну. Акції – важлива ознака для побудови моделі машинного навчання, тому доцільно збирати та зберігати інформацію про їх проведення.

Формат даних про проведення акцій може бути приблизно наступний:

  • ID магазину
  • ID товару
  • Дата початку акції
  • Дата кінця акції
  • Тип події (якщо є)
  • Базова ціна
  • Розмір знижки або ціна на акцію

На розробку моделі і її тестування буде потрібно приблизно 1.5-2 місяці.

Після побудови моделі, тестування та оцінки результату приймається рішення про масштабування.

Джерело: new-retail