Prognozowanie sprzedaży za pomocą sztucznej inteligencji: przewiduj popyt i podejmuj trafniejsze decyzje dotyczące cen

Sztuczna inteligencja zwiększa dokładność prognoz sprzedaży poprzez jednoczesną analizę ogromnych ilości danych historycznych i kontekstowych w celu zidentyfikowania wzorców, które trudno wykryć za pomocą analizy przeprowadzonej przez człowieka 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 historycznych i mają trudności z uwzględnieniem wielu zmiennych jednocześnie. Uczenie maszynowe natomiast przetwarza setki zmiennych równolegle i wykrywa zależności nieliniowe (na przykład łączny wpływ promocji konkurencji i skrajnych warunków pogodowych na daną kategorię), których nie da się uchwycić przy użyciu podejścia liniowego.

Kolejną kluczową różnicą jest zdolność do ciągłego dostosowywania się: w przeciwieństwie do sztywnego modelu statystycznego, który jest od czasu do czasu rekalibrowany, model uczenia maszynowego na bieżąco uwzględnia nowe dane dotyczące sprzedaży i dostosowuje swoje prognozy w miarę zmian zachowań konsumentów. Dzięki temu zmiany nawyków zakupowych lub odchylenia od sezonowości są wykrywane szybciej niż w przypadku modelu statycznego.

Dla sprzedawcy detalicznego ta większa precyzja bezpośrednio zwiększa pewność decyzji, które zależą od prognozy sprzedaży: zaopatrzenia, skalowania kampanii promocyjnych, a także decyzji cenowych, ponieważ wiarygodna prognoza ogranicza ryzyko niewłaściwie dostosowanej zmiany cen, niezależnie od tego, czy chodzi o podwyżkę, czy o obniżkę.

Tak: BOOPER MPS prognozuje sprzedaż każdego produktu w każdym punkcie sprzedaży, a nie średnią dla całej sieci. Model uczy się sezonowości, reakcji na promocje oraz wrażliwości cenowej charakterystycznej dla każdego sklepu, a następnie konsoliduje te prognozy w skali całej grupy.

W przypadku sieci wielopunktowej taki poziom szczegółowości zmienia sposób wykorzystania prognoz: okresy szczytowe i sezonowość są zarządzane osobno dla każdego rynku, prognozy są automatycznie korygowane na podstawie rzeczywistej sprzedaży, a kierownictwo zachowuje skonsolidowany obraz sytuacji, co pozwala na podejmowanie decyzji dotyczących zaopatrzenia. Ta sama logika ma zastosowanie w dystrybucji B2B – w podziale na klientów lub segmenty klientów – oraz w sieciach aptek.

Różnica między tymi dwoma pojęciami została szczegółowo opisana w karcie terminologicznej poświęconej prognozowaniu popytu. Aby zapoznać się z instrukcją wdrożenia krok po kroku, zapoznaj się z naszą 8-etapową metodą prognozowania sprzedaży z wykorzystaniem sztucznej inteligencji.

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 roczny okres historyczny, aby uwzględnić pełny cykl sezonowości.

Historia sprzedaży pozostaje najważniejszym czynnikiem: pozwala modelowi nauczyć się rytmu charakterystycznego dla każdego produktu i każdego sklepu (jego sezonowości, reakcji na poprzednie promocje, wrażliwości cenowej). Dane dotyczące kalendarza handlowego (promocje, dni świąteczne, akcje specjalne) pozwalają odróżnić zjawiska o charakterze doraźnym od długoterminowych trendów, co zapobiega zniekształceniu prognozy przez wyjątkowe wzrosty lub spadki.

Czynniki zewnętrzne (warunki pogodowe, wydarzenia lokalne, działania konkurencji) służą następnie do doprecyzowania prognozy w odniesieniu do kategorii najbardziej wrażliwych na te czynniki, choć nie są one niezbędne do uruchomienia 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 działu 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 spójnej historii sprzedaży (co najmniej rok), aby model mógł nauczyć się całego cyklu, a nie tylko jego niepełnego fragmentu.

Tak: BOOPER MPS łączy na jednej platformie prognozowanie sprzedaży, symulację scenariuszy cenowych i promocyjnych oraz uzasadnienie każdej prognozy, dzięki czemu działy ustalania cen, zarządzania kategoriami, zakupów i łańcucha dostaw mogą opierać się na tych samych danych.

Każda prognoza zawiera czynniki, które miały wpływ na jej powstanie (sezonowość, ceny, promocje, a także pogoda, lokalne wydarzenia lub konkurencja, o ile te źródła są podłączone). Dzięki temu zespoły mogą w pełni świadomie zatwierdzać, korygować lub kwestionować prognozę, zamiast ślepo kierować się liczbami bez uzasadnienia.

Wspólna prognoza wymaga również ustalenia, kto ją koordynuje oraz w jaki sposób jest ona uzgadniana między działami sprzedaży, zakupów i łańcucha dostaw: należy ustalić, kto powinien koordynować prognozę sprzedaży.

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 punkty przełomowe (szczyt popytu związany z pogodą, łączny 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 zapoznać się z samą liczbą. Ta przejrzystość ma kluczowe znaczenie, aby zespoły biznesowe mogły świadomie zatwierdzać, korygować lub kwestionować zalecenia, zamiast polegać na „czarnej skrzynce”.

Dla sprzedawcy detalicznego 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 późniejsze decyzje opierają się na przybliżeniach.

Dzięki dokładniejszemu przewidywaniu przyszłego popytu prognozowanie sprzedaży oparte na sztucznej inteligencji w systemie BOOPER MPS pozwala dostosować wielkość zamówień tak, aby jak najlepiej odpowiadały rzeczywistym potrzebom, ograniczyć braki i nadmierne zapasy, poprawić wskaźnik realizacji zamówień oraz zmniejszyć środki finansowe zamrożone w zapasach.

Związek między prognozowaniem a łańcuchem dostaw wynika z tego, że prognozy mają charakter wyjaśniający: model nie ogranicza się jedynie do podania oczekiwanej wartości sprzedaży, ale przedstawia czynniki, które miały na nią wpływ (sezonowość, poprzednie promocje, najnowsze trendy, uwarunkowania 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 dostaw: 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 w dostawach, które negatywnie wpływają na wskaźnik realizacji zamówień, a pośrednio – na zadowolenie klientów. Prognozy są na bieżąco korygowane w miarę odnotowywania nowych sprzedaży, co pozwala skorygować ścieżkę zaopatrzenia, zanim odchylenie stanie się kosztowne.

W przypadku działu łańcucha dostaw takie predykcyjne sterowanie przekształca zarządzanie zapasami z podejścia zasadniczo reaktywnego (składanie zamówień w celu uzupełnienia już wykorzystanych zapasów) w podejście proaktywne, w którym wielkości zapasów są dostosowywane, zanim napięcie przełoży się na brak towaru lub nadmierne zapasy, co ma bezpośredni pozytywny wpływ na zapotrzebowanie na kapitał obrotowy.

Tak. Dzięki symulatorowi BOOPER MPS opartemu na sztucznej inteligencji użytkownik może przetestować różne scenariusze biznesowe (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 transakcji 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 odciągałaby 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 szczegółową prognozą dotyczącą kilku opcji, co pozwala z wyprzedzeniem dokonać wyboru między wielkością sprzedaży, marżą a wizerunkiem cenowym, a nie dopiero po fakcie oceniać skutki.

W przypadku sieci handlowej taka symulacja ex ante zmniejsza ryzyko związane z najbardziej wiążącymi decyzjami promocyjnymi lub cenowymi (nieodpowiednio zaplanowana akcja może negatywnie wpłynąć na marżę, nie generując przy tym oczekiwanej sprzedaży) oraz zapewnia pewność przy podejmowaniu 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 nieodpowiednio dobranych korekt cenowych (podwyżka cen, która powoduje załamanie popytu z powodu niedocenienia jego wrażliwości, lub zbyt późne obniżenie cen spowodowane niedostrzeżeniem nadchodzącego spowolnienia sprzedaży). Korzyść ta ma bezpośredni wpływ na marżę i wizerunek cenowy – dwa wskaźniki, które są uważnie 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 zamiast 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.

Rzeczywista skala zwrotu z inwestycji zależy jednak od stopnia dojrzałości 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 jest przeznaczony dla dużych klientów z branży detalicznej i umożliwia zarządzanie w wielu krajach, wielu sklepach i wielu kategoriach produktów, 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 poszczególnych rynkach: sezonowość różni się w zależności od położenia geograficznego, kalendarze promocji i dni świąteczne są specyficzne dla każdego kraju, a wrażliwość cenowa zależy 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 spójny obraz prognoz w skali całej sieci (co jest przydatne przy ustalaniu priorytetów zaopatrzenia między rynkami lub ujednolicaniu metod prognozowania między spółkami zależnymi), nie narzucając przy tym lokalnym zespołom założeń nieodpowiednich dla ich rynku.

W przypadku grupy działającej w wielu krajach lub pod wieloma markami właśnie ta równowaga między centralnym zarządzaniem a lokalną szczegółowością sprawia, że prognoza jest rzeczywiście przydatna w praktyce: wiarygodna prognoza dla całej sieci nie ma żadnego znaczenia, 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 mniejszym zakresie działalności niż duże przedsiębiorstwa krajowe lub międzynarodowe. Słownictwo i wskaźniki stosowane w narzędziu pozostają zgodne z terminologią klienta, a jakość algorytmów prognozowania jest taka sama jak w przypadku większych struktur.

Ta elastyczność wynika z samego sposobu działania silnika predykcyjnego: 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 o zasięgu ogólnokrajowym.

Wdrożenie zostało również zaprojektowane tak, aby zachować proporcjonalność: integracja za pomocą narzędzia Data Loader dostosowuje się do już dostępnych strumieni danych, co pozwala uniknąć narzucania mniejszym organizacjom projektu integracyjnego zaprojektowanego z myślą o dużych koncernach. 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 dużych podmiotów: odejście od przybliżonych prognoz, sporządzanych ręcznie lub w arkuszach kalkulacyjnych, w celu zwiększenia niezawodności zaopatrzenia i decyzji cenowych, tak aby wielkość struktury nie stanowiła przeszkody dla jakości zarządzania opartego na prognozach.

Prognozowanie popytu polega na oszacowaniu, co klienci chcieliby kupić. Prognozowanie sprzedaży polega na oszacowaniu, co faktycznie zostanie sprzedane, z uwzględnieniem dostępnych zapasów, cen i planowanych promocji. W przypadku braku towaru sprzedaż osiąga pułap, podczas gdy popyt nadal istnieje.

Model BOOPER łączy dane historyczne, sezonowość, promocje i ceny, aby prognozować sprzedaż każdego produktu w każdym punkcie sprzedaży, a także pozwala zasymulować wpływ zmiany ceny na popyt przed podjęciem decyzji.