Основные этапы реализации решения для прогнозирования спроса

Чтобы разработать модель, решающую задачу прогнозирования спроса в целях минимизации возвратов, необходимо получить следующие исходные данные:

  1. базу данных по тестовым магазинам (точкам реализации)
  2. базу данных по номенклатурам
  3. базу данных по продажам (отгрузкам с завода) и возвратам. Данные нужны за 2-3 года.

Далее с экспертами компании заказчика выявляются дополнительные факторы, влияющие на спрос. Например, сезонность, погодные условия, праздники и выходные дни, проведение акций, геолокация торговых точек и др. Список этих факторов может зависит от особенностей продаж каждого отдельного заказчика и может быть расширен или изменен в зависимости от мнения экспертов.

Построением модели занимаются специалисты в анализе данных (Data Scientist). Это математики-программисты, которые в совершенстве владеют знаниями математической статистики и анализа.

После того как модель построена – примерно месяц с момента получения данных –  проверяется её точность. Для этого тестовые данные по реальным продажам и возвратам сравниваются с теми, которые предсказала модель. Приемлемая точность модели для случая прогнозирования спроса считается 93%.

Если целевая точность модели достигнута, можно переходить к интеграции решения с учетными системами предприятия, создавать удобный интерфейс и обучать пользователей.

С ростом бизнеса решение можно легко масштабировать. Сама модель в процессе эксплуатации постоянно дообучается на новых данных, поэтому решение не теряет свою точность.

Модель может быть применена не только для сокращения возвратов, но и для прогнозирования спроса с целью планирования производства, оптимизации производственного ресурса, оптимизации складских запасов (готовой продукции, сырья, упаковки), построения системы автозаказов, оптимизации ассортиментной политики и увеличения эффективности маркетинга, а также увеличение эффективности работы персонала.