Prognozowanie sprzedaży dzięki sztucznej inteligencji

Sztuczna inteligencja zwiększa dokładność prognoz sprzedaży poprzez jednoczesną analizę ogromnych ilości danych historycznych i kontekstowych w celu zidentyfikowania wzorców, które trudno jest wykryć za pomocą analizy ludzkiej lub klasycznych metod statystycznych. Uwzględnia ona na przykład sezonowość, promocje, ceny, pogodę i konkurencję, aby generować dynamiczne i stale aktualizowane prognozy. Podejście to różni się od klasycznych metod prognozowania, które opierają się głównie na średnich i trendach z przeszłości i mają trudności z uwzględnieniem wielu zmiennych jednocześnie. Uczenie maszynowe natomiast przetwarza równolegle setki zmiennych i wykrywa zależności nieliniowe — na przykład łączny wpływ promocji konkurencji i skrajnych warunków pogodowych na daną kategorię — których podejście liniowe nie jest w stanie uchwycić. Kolejną zasadniczą różnicą jest zdolność do ciągłego dostosowywania się: w przeciwieństwie do sztywnego modelu statystycznego, kalibrowanego sporadycznie, model uczenia maszynowego na bieżąco uwzględnia nowe dane dotyczące sprzedaży i koryguje swoje prognozy w miarę zmian zachowań konsumentów — dzięki temu zmiana nawyków zakupowych lub odchylenie od sezonowości są wykrywane szybciej niż w przypadku modelu statycznego. Dla detalisty ta zwiększona precyzja bezpośrednio zabezpiecza decyzje zależne od prognozy sprzedaży: zaopatrzenie, skalowanie kampanii promocyjnych, a nawet decyzje cenowe — ponieważ wiarygodna prognoza ogranicza ryzyko źle skalkulowanej korekty cenowej, niezależnie od tego, czy chodzi o podwyżkę, czy obniżkę ceny.

MPS wykorzystuje przede wszystkim dane historyczne dotyczące sprzedaży, ceny, promocje, kalendarze handlowe, dane ze sklepów oraz czynniki zewnętrzne, takie jak pogoda, wydarzenia czy konkurencja. Im bogatsze dane, tym większa dokładność modeli — zazwyczaj zaleca się co najmniej roczną historię danych, aby uchwycić pełny cykl sezonowości. Dane historyczne dotyczące sprzedaży pozostają najważniejszym czynnikiem: pozwalają modelowi rozpoznać specyficzny rytm każdego produktu i każdego sklepu — jego sezonowość, reakcję na poprzednie promocje oraz wrażliwość cenową. Dane dotyczące kalendarza handlowego (promocje, dni świąteczne, akcje specjalne) pozwalają odróżnić zjawiska o charakterze jednorazowym od długoterminowych trendów, unikając w ten sposób zniekształcenia prognozy przez wyjątkowe szczyty lub spadki. Czynniki zewnętrzne – pogoda, wydarzenia lokalne, działania konkurencji – służą następnie do doprecyzowania prognozy w kategoriach najbardziej wrażliwych na te czynniki, choć nie są one niezbędne na początku projektu: BOOPER może generować użyteczne prognozy na podstawie podstawowych danych dotyczących sprzedaży i kalendarza, a następnie stopniowo wzbogacać model w miarę podłączania kolejnych źródeł za pośrednictwem narzędzia Data Loader. Dla działu łańcucha dostaw lub cenowego, który rozpoczyna projekt prognozowania oparty na sztucznej inteligencji, głównym wyzwaniem jest zatem nie tyle dysponowanie wszystkimi możliwymi danymi od pierwszego dnia, co zapewnienie wystarczająco długiej i czystej historii sprzedaży — co najmniej jednego roku — aby model mógł nauczyć się pełnego cyklu, a nie tylko niekompletnego fragmentu działalności.

Klasyczne metody prognozowania statystycznego opierają się na średnich i trendach z przeszłości, stosowanych w stosunkowo jednolity sposób do danych historycznych dotyczących sprzedaży. Natomiast uczenie maszynowe uwzględnia jednocześnie setki zmiennych, wykrywa nieliniowe zależności między nimi i automatycznie dostosowuje się do zmian w zachowaniach konsumentów. Różnica ta przejawia się konkretnie w sposobie, w jaki każde z tych podejść reaguje na nietypowe zdarzenie: klasyczna metoda statystyczna będzie miała tendencję do przedłużania średniego trendu i słabo przewiduje gwałtowne zmiany — szczyt popytu związany z pogodą, połączony efekt promocji i dnia wolnego od pracy lub trwałą zmianę nawyków zakupowych. Uczenie maszynowe, analizując większą liczbę sygnałów (dane historyczne, sezonowość, promocje, ceny, kontekst zewnętrzny), dokładniej wychwytuje te interakcje i odpowiednio dostosowuje swoje prognozy. Kolejna różnica dotyczy wyjaśnialności wyników: w BOOPER prognozy generowane przez model uczenia maszynowego są zawsze uzupełnione o czynniki, które je wyjaśniają, co pozwala zespołom zrozumieć, dlaczego prognoza ulega zmianie, a nie tylko odnotować samą liczbę. Ta przejrzystość ma kluczowe znaczenie, aby zespoły biznesowe mogły z pełną świadomością zatwierdzać, korygować lub kwestionować zalecenia, zamiast polegać na „czarnej skrzynce”. Dla detalisty przejście od klasycznej prognozy statystycznej do prognozy opartej na uczeniu maszynowym ma bezpośredni wpływ na wiarygodność wynikających z niej decyzji dotyczących zaopatrzenia i cen: im dokładniej prognoza odzwierciedla rzeczywiste zachowania zakupowe, tym mniej podejmowane na jej podstawie decyzje opierają się na przybliżeniach.

Dzięki dokładniejszemu przewidywaniu przyszłego popytu prognozowanie sprzedaży oparte na sztucznej inteligencji BOOPER MPS pozwala dostosować wielkość zamówień tak, aby jak najlepiej odpowiadała rzeczywistym potrzebom, ograniczyć braki i nadmierne zapasy, poprawić wskaźnik realizacji zamówień oraz zmniejszyć zamrożone środki finansowe związane z zapasami. Związek między prognozowaniem a łańcuchem dostaw wynika z wyjaśnialnego charakteru prognoz: model nie ogranicza się jedynie do podania oczekiwanej wartości sprzedaży, ale przedstawia czynniki, które na nią wpłynęły (sezonowość, poprzednie promocje, najnowsze trendy, czynniki kontekstowe), co pozwala zespołom ds. zaopatrzenia dostosowywać zamówienia w oparciu o rzetelną wiedzę, zamiast ślepo kierować się prognozą typu „czarna skrzynka”. Ta precyzja ma bezpośredni wpływ zarówno na początkowe, jak i końcowe etapy łańcucha: na początku ogranicza nadmierne zamówienia składane „na wszelki wypadek” z powodu braku przejrzystości, które następnie przekształcają się w nadmierne zapasy lub wymuszone obniżki cen; na końcu zmniejsza braki, które negatywnie wpływają na wskaźnik obsługi, a pośrednio na zadowolenie klientów. Prognozy są na bieżąco korygowane w miarę pojawiania się nowych danych dotyczących sprzedaży, co pozwala skorygować ścieżkę zaopatrzenia, zanim odchylenie stanie się kosztowne. Dla kierownictwa łańcucha dostaw takie sterowanie predykcyjne przekształca zarządzanie zapasami z podejścia zasadniczo reaktywnego — zamawianie w celu uzupełnienia już wykorzystanych zapasów — w podejście proaktywne, w którym wielkości dostaw są dostosowywane, zanim napięcie przełoży się na braki lub nadmierne zapasy, co ma bezpośredni pozytywny wpływ na zapotrzebowanie na kapitał obrotowy.

Tak. Dzięki symulatorowi opartemu na sztucznej inteligencji firmy BOOPER MPS użytkownik może przetestować różne scenariusze handlowe — promocje, zmiany cen, modyfikacje asortymentu — i oszacować ich przewidywany wpływ na wielkość sprzedaży, obroty i marżę, jeszcze przed ich wdrożeniem. Symulacje te opierają się na modelach elastyczności cenowej charakterystycznych dla każdego produktu lub kategorii, a także na historii już zrealizowanych działań handlowych: poprzednia promocja podobnego produktu, przeprowadzona w porównywalnych warunkach, służy jako punkt odniesienia do oszacowania prawdopodobnej reakcji popytu na nowy scenariusz. Symulator uwzględnia również potencjalne efekty kanibalizacji między produktami, aby zapobiec sytuacji, w której promocja jednego produktu po prostu odciąga sprzedaż od już zrealizowanych transakcji dotyczących produktu pokrewnego. Ta możliwość przeprowadzenia symulacji przed podjęciem decyzji zmienia charakter pracy zespołów handlowych i ds. ustalania cen: zamiast uruchamiać promocję w oparciu o przybliżone dane historyczne lub intuicję, dysponują one ilościową prognozą kilku opcji, co pozwala na wcześniejsze wyważenie relacji między wolumenem, marżą i wizerunkiem cenowym, a nie dopiero na stwierdzenie skutków po fakcie. Dla sieci handlowej taka symulacja ex ante zmniejsza ryzyko związane z najbardziej wiążącymi decyzjami promocyjnymi lub cenowymi – źle skalkulowana operacja może drogo kosztować pod względem marży, nie generując przy tym oczekiwanej wielkości sprzedaży – oraz zapewnia pewność decyzji, które bez narzędzia prognostycznego opierają się w dużej mierze na indywidualnym doświadczeniu zespołów.

Rozwiązanie do prognozowania sprzedaży oparte na sztucznej inteligencji zapewnia wymierny zwrot z inwestycji w kilku obszarach bezpośrednio związanych z dokładnością prognoz: ograniczenie braków i nadmiernych zapasów, optymalizacja wielkości zamówień, skrócenie czasu poświęcanego przez zespoły na ręczne sporządzanie prognoz oraz ogólna poprawa spójności między prognozami, zaopatrzeniem i ustalaniem cen. Związek z ustalaniem cen jest szczególny: bardziej wiarygodne prognozy zmniejszają ryzyko nieprawidłowo dostosowanych zmian cen — podwyżek, które hamują popyt z powodu nieprzewidzenia jego wrażliwości, lub obniżek cen wprowadzonych zbyt późno z powodu nieprzewidzenia spowolnienia sprzedaży. Korzyść ta ma bezpośredni wpływ na marżę i wizerunek cenowy – dwa wskaźniki ściśle monitorowane przez każdy dział handlowy. Kolejnym konkretnym atutem jest oszczędność czasu: zespoły, które wcześniej sporządzały prognozy ręcznie, produkt po produkcie lub kategoria po kategorii w arkuszach kalkulacyjnych, mogą teraz przeznaczyć ten czas na analizę i podejmowanie decyzji, a nie na generowanie danych liczbowych. Prognozy są następnie automatycznie korygowane w miarę pojawiania się nowych danych dotyczących sprzedaży, co ogranicza konieczność ręcznej korekty w trakcie okresu rozliczeniowego. Rzeczywisty zakres zwrotu z inwestycji (ROI) zależy jednak od jakości dostępnych danych oraz częstotliwości cykli decyzyjnych charakterystycznych dla każdej sieci: im bogatsza jest historia sprzedaży i im częściej podejmowane są decyzje dotyczące zaopatrzenia lub cen, tym szybciej większa dokładność prognoz przekłada się na wymierne korzyści w zakresie marży i zapasów.

Tak. System MPS został zaprojektowany z myślą o dużych klientach z branży detalicznej i umożliwia zarządzanie obejmujące wiele krajów, wiele sklepów i wiele kategorii, w połączeniu ze scentralizowanym nadzorem nad prognozami, przy jednoczesnym zachowaniu lokalnej elastyczności. To wielokrajowe zarządzanie uwzględnia fakt, że popyt nie zachowuje się tak samo na różnych rynkach: sezonowość różni się w zależności od położenia geograficznego, kalendarze promocji i dni świąteczne są specyficzne dla każdego kraju, a wrażliwość cenowa zmienia się w zależności od lokalnej siły nabywczej. Silnik prognostyczny uwzględnia te specyficzne cechy dla każdego rynku z osobna, zamiast stosować jeden model do całej sieci. Scentralizowane zarządzanie pozwala jednak kierownictwu ds. łańcucha dostaw lub ustalania cen w grupie zachować skonsolidowany obraz prognoz w skali całej sieci — co jest przydatne do ustalania priorytetów zaopatrzenia między rynkami lub ujednolicania metod prognozowania między spółkami zależnymi — bez narzucania zespołom lokalnym założeń nieodpowiednich dla ich rynku. W przypadku grupy działającej w wielu krajach lub posiadającej wiele marek to właśnie równowaga między centralnym sterowaniem a lokalną szczegółowością sprawia, że prognozy są rzeczywiście przydatne w praktyce: wiarygodna prognoza dla całej sieci nie ma sensu, jeśli nie przekłada się na trafne decyzje dotyczące zaopatrzenia i cen dla każdego rynku z osobna.

Tak. System MPS został zaprojektowany tak, aby mogły z niego korzystać również organizacje o mniejszej skali niż duże przedsiębiorstwa krajowe lub międzynarodowe. Słownictwo i wskaźniki stosowane w narzędziu pozostają zgodne z terminologią klienta, a jakość algorytmów prognozowania pozostaje taka sama jak w przypadku większych struktur. Ta elastyczność wynika z samego sposobu działania silnika prognostycznego: uczy się on na podstawie danych charakterystycznych dla każdej sieci, niezależnie od jej wielkości, zamiast stosować ogólny model skalibrowany pod kątem dużych wolumenów. Sieć składająca się z kilkudziesięciu sklepów korzysta zatem z prognoz dostosowanych do jej rzeczywistej sytuacji handlowej – własnych cykli sprzedaży, własnej sezonowości, własnych kategorii flagowych – bez konieczności dysponowania ilością danych porównywalną z tą, jaką posiada sieć krajowa. Wdrożenie jest również zaprojektowane tak, by zachować proporcjonalność: integracja za pośrednictwem Data Loader dostosowuje się do już dostępnych strumieni danych, co pozwala uniknąć narzucania mniejszej strukturze projektu integracyjnego o skali przeznaczonej dla dużej grupy. Oferowane wsparcie metodologiczne pomaga zespołom, które często dysponują mniejszymi zasobami w zakresie nauki o danych, w interpretacji wyników i uporządkowaniu procesu decyzyjnego. W przypadku sieci średniej wielkości wyzwanie jest takie samo jak w przypadku dużego klienta: odejście od przybliżonych prognoz, sporządzanych ręcznie lub w arkuszach kalkulacyjnych, na rzecz większej niezawodności w zakresie zaopatrzenia i decyzji cenowych — bez sytuacji, w której wielkość struktury stanowiłaby przeszkodę dla jakości zarządzania predykcyjnego.