Прогнозирование спроса
методами машинного обучения

Datanomics Demand Forecast

(DDF)

Datanomics Demand Forecast – облачный сервис на базе алгоритмов машинного обучения, разработанный с учетом специфики ритейла и FMCG отрасли. Datanomics Demand Forecast автоматически рассчитывает прогноз спроса, включая спрос на акционные товары, и повышает его точность по сравнению с традиционными методами прогнозирования.

Внедрение интеллектуальных систем позволяет переложить рутинные процессы с человека на искусственный интеллект, а человеческий ресурс направить на решение творческих задач и развитие бизнеса.

Решение внедряют

Ритейл
Дистрибуция
Производство

Прогнозирование спроса с помощью машинного обучения – это:

Увеличение точности прогноза до 95%
Точность прогноза в товарной категории достигает 95%, а средний показатель улучшения качества прогноза по сравнению с традиционными алгоритмами составляет 15-20 пунктов
Автоматический прогноз объемов товара на акцию
Алгоритмы машинного обучения позволяют отказаться от ручной корректировки объемов товара при планировании акций
Возможность перехода к системе автозаказа
Автозаказ позволяет удовлетворять потребность в товаре с минимальным привлечением обслуживающего персонала. Это сокращает издержки и сводит к минимуму риск ошибок из-за человеческого фактора
Быстрая адаптации к изменениям в потреблении
В ситуации нестабильного спроса алгоритмам машинного обучения достаточно недели для адаптации к изменению в потреблении
Оптимизация складских запасов
Прогнозирование объемов спроса снижает расходы на хранение продукции, исключает затоваривание склада
Увеличение эффективности работы персонала
Снижение расходов за счет оптимизации графика смен

Datanomics Demand Forecast (DDF)

работает на основе алгоритмов машинного обучения

Примеры собираемых данных
  • Информация по торговым точкам или распределительным центрам (название, адрес и др.)
  • База данных по номенклатурам
  • Информация о продажах товара (дата и время продажи, номенклатура, цена, количество и др.)
  • Информация по поступлениям и остаткам на конец дня
  • Маркетинговые акции
  • Внешние факторы, которые могут повысить точность модели (праздники, выходные дни, курсы валют и др.)
Обработка данных
  • Приложение автоматически принимает набор данных, необходимых для прогнозирования, осуществляет очистку и приведение к единому формату
  • Обработанные данные поступают в центр анализа, где на их основании и с помощью алгоритмов машинного обучения получается прогноз
Получение прогноза
ex
Передача данных и прогноза осуществляется через разработанный Web API с помощью унифицированных методов.

Дополнительно может быть разработан веб-интерфейс

Как выглядит решение?

Datanomics Demand Forecast - сервис предоставляемый по модели подписки (SaaS).

Не требует приобретения, внедрения и поддержки специального оборудования или ПО

В каком виде я получу результат прогнозирования

Передача данных и прогноза осуществляется через разработанный Web API с помощью унифицированных методов.

Дополнительно может быть разработан веб-интерфейс
ex

Остались вопросы?

У алгоритмов машинного обучения высокая адаптивность, в ситуации нестабильного спроса достаточно недели для адаптации к изменению в потреблении.

Да, сервис предоставляется по подписке (SaaS), договор на использование можно расторгнуть в любое время.

Наша среда разработки – это Microsoft Azure. Мы подписываем NDA и создаем индивидуальную подписку под решение каждого конкретного заказчика.

DDF не традиционная BI платформа, а сервис, который встраивается в цифровые платформы клиента или учетные системы, например, 1С. Такой подход связан с запросами заказчиков на интегрируемые решения и трендом на развитие собственных платформ с микросервисной архитектурой в рамках проектов цифровой трансформации бизнеса.

У каждой компании уникальные данные, требования к частоте, горизонту и аналитическим разрезам прогнозирования. Сервис DDF настраивается по техническому заданию каждого заказчика для достижения наилучшего результата.

Настройка решения длится 1-1,5 месяца.

Для построения модели машинного обучения потребуются исторические данные с глубиной хранения не менее чем за 2 года. Такое требование связано с зависимостью спроса от сезонов, поэтому важно иметь данные за два повторяющихся цикла.

Минимальные требования для построения модели прогнозирования:

  • Справочники номенклатур
  • Справочники магазинов/дистрибьюторов/РЦ (в зависимости от задачи)
  • Данные по продажам
  • История акций
  • История возвратов, уценок, списаний
  • Данные по остаткам

Тестирование качества прогнозирования начинается с запуска пилотных проектов. Для пилотного проекта, как правило, выбирают несколько категорий или товарных номенклатур.

Этапы оценки эффективности прогнозного сервиса на пилотном проекте:

  1. Определение меры качества прогнозной системы
  2. Тестирование заказчиком прогнозов на данных, неизвестных исполнителю
  3. Тестовая эксплуатация на товарных номенклатурах/группах, выбранных заказчиком
  4. Сопоставление результатов действующей (если есть) и разрабатываемой прогнозных систем
  5. Оценка прибыли и издержек от внедрения нового решения

В случае, если результаты признаны удовлетворительными, решения масштабируется на весь бизнес.

Прогнозный сервис DDF включает:

  • Индивидуальную подписку в облаке Microsoft Azure
  • Техническую поддержку согласно заключенному SLA
  • Регулярные обновления и переобучения модели прогнозирования для повышения точности
  • Систему накопления данных
  • Масштабирование решения (подключение дополнительных номенклатур/клиентов/РЦ)
  • Создание web-визуализаций и ботов в мессенджерах для удобства работы персонала на основе передаваемых данных с разграниченными правами доступа
  • Консультации по развитию функционала
  • Улучшение качества прогнозирования составляет 20-30%
  • Уменьшение количества списаний и уценок товаров на 20%
  • Повышение товарооборачиваемости (в некоторых случаях в 2 раза)
  • Сокращение трудозатрат в среднем в 2.5 раза

Оставьте заявку и получите бюджет и план внедрения наших решений в ваш бизнес

Заполняя форму, Вы соглашаетесь с правилами обработки персональных данных.

Мы используем файлы cookies, чтобы получать статистику и делать наш сайт и другие сервисы удобными для вас. Продолжая дальнейшее использование сайта и/или его сервисов, вы соглашаетесь с этим. Более подробную информацию можно прочитать в «Политика обработки персональных данных» и в «Политика Cookies»