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.

Bardziej precyzyjna prognoza sprzedaży pozwala dostosować zamówienia tak, aby jak najlepiej odpowiadały rzeczywistym potrzebom, co automatycznie ogranicza dwa sprzeczne problemy: braki towaru, które negatywnie wpływają na wskaźnik obsługi, oraz nadmierne zapasy, które zamrażają środki pieniężne i często kończą się obniżką cen. System MPS generuje te prognozy, analizując historię sprzedaży, sezonowość, promocje oraz czynniki kontekstowe, z wystarczającym poziomem szczegółowości — w podziale na produkty i sklepy — aby zespoły ds. zaopatrzenia mogły dostosowywać zamówienia w poszczególnych kategoriach, zamiast stosować jednolity margines bezpieczeństwa w odniesieniu do całego asortymentu. Prognozy pozostają zrozumiałe, co pozwala pojąć, dlaczego zmienia się wielkość zamówienia, i dokonywać świadomych korekt. Ten związek między prognozą a łańcuchem dostaw w naturalny sposób rozciąga się na politykę cenową: nieprzewidziane braki lub nadwyżki zapasów często skutkują w dalszej części łańcucha wymuszonym obniżeniem cen lub promocją nadrabiającą straty, o której decyduje się w pośpiechu. Ograniczając te odchylenia w zaopatrzeniu na wcześniejszym etapie, prognozowanie sprzedaży ogranicza również decyzje cenowe podejmowane pod presją, a nie w oparciu o wybraną strategię. Dla kierownictwa łańcucha dostaw takie sterowanie oparte na prognozach zmniejsza zapotrzebowanie na kapitał obrotowy zamrożony w zapasach i poprawia wskaźnik obsługi klienta – dwa wskaźniki, które łącznie mają bezpośredni wpływ na ogólną rentowność sieci.

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 zarządzaniem prognozami, przy jednoczesnym zachowaniu lokalnej elastyczności dostosowanej do potrzeb każdego rynku. To zarządzanie obejmujące wiele krajów uwzględnia fakt, że popyt nie zachowuje się tak samo na różnych rynkach — różna sezonowość, harmonogramy promocji i święta charakterystyczne dla każdego kraju, a także zmienna wrażliwość cenowa 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 kierownictwu grupy zachować skonsolidowany obraz prognoz dla całej sieci, co jest przydatne przy ustalaniu priorytetów zaopatrzenia między rynkami lub ujednolicaniu metod między spółkami zależnymi, bez narzucania lokalnym zespołom założeń nieodpowiednich dla ich własnego rynku. W przypadku grupy działającej w wielu krajach to właśnie równowaga między sterowaniem centralnym a szczegółowością lokalną sprawia, że prognozy są rzeczywiście przydatne do działania na poszczególnych rynkach, a nie tylko jako skonsolidowana średnia, która ma niewielką wartość dla podejmowania decyzji operacyjnych.

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.