W zmiennym krajobrazie sektora detalicznego zdolność do dokładnego przewidywania i reagowania na popyt konsumentów jest podstawą sukcesu. Jednak w miarę jak detaliści zmagają się z dynamicznym charakterem zachowań konsumentów, trendami rynkowymi i czynnikami zewnętrznymi, wyzwania związane z prognozowaniem popytu stają się prawdziwą przeszkodą w realizacji tego zadania.
W tym badaniu wyruszamy w podróż przez skomplikowaną sferę wyzwań związanych z prognozowaniem popytu w handlu detalicznym, odkrywając i analizując pięć krytycznych wyzwań, które często utrudniają dążenie do dokładności. Od złożoności zachowań konsumentów po wpływ zmiennych zewnętrznych, zagłębiamy się w ograniczenia prognozowania popytu w sektorze detalicznym.
Co więcej, niniejszy artykuł nie tylko identyfikuje te wyzwania, ale także przedstawia innowacyjne rozwiązania, rzucając światło na strategie, które mogą potencjalnie zrewolucjonizować krajobraz prognozowania sprzedaży detalicznej.
Przechodząc przez każde z wyzwań, naszym nadrzędnym celem jest podkreślenie znaczenia precyzji prognoz i jej głębokiego wpływu na wyniki finansowe sprzedawców detalicznych. Zapraszamy Państwa do zapoznania się z 5 najważniejszymi wyzwaniami związanymi z prognozowaniem popytu w handlu detalicznym.
Główne wnioski
Prognozowanie popytu w retail wymaga zrozumienia sezonowości i lokalnych trendów.
Sezonowość to największy czynnik zakłóceń prognoz.
Dane historyczne trzeba łączyć z sygnałami rynkowymi.
Brak danych jakościowych pogarsza dokładność.
Modele ML wymagają stałego uczenia.
Optymalizacja forecastów na poziomie SKU zwiększa trafność.
5 głównych wyzwań związanych z prognozowaniem popytu w handlu detalicznym
Wyzwanie nr 1: Brak danych wysokiej jakości
Nie ma idealnych danych do prognozowania. A raczej nigdy nie będzie ich wystarczająco dużo. W najlepszym przypadku można działać w oparciu o dane jakościowe dotyczące sprzedaży w przeszłości. Nie można jednak polegać na nich całkowicie, przynajmniej dlatego, że mogą one częściowo informować o preferencjach obecnych klientów, ale nie o przyszłych. Oczywiście istnieją metody zbierania informacji od potencjalnych klientów (różne ankiety i eksperymenty marketingowe), ale są one złożone i niedokładne. Nie wszyscy sprzedawcy detaliczni mają dostęp do pożądanych odbiorców i nie każda grupa docelowa jest skłonna uczestniczyć w gromadzeniu danych.
I to jest właśnie problem. W handlu detalicznym - a zwłaszcza w planowaniu i prognozowaniu popytu - jakość danych jest ważniejsza niż ich ilość. W przeciwnym razie istnieje ryzyko nieprawidłowego prognozowania, błędnych oczekiwań i strat liczonych w tysiącach, a nawet milionach. Nieskończone ilości informacji są gorsze od inteligentnych danych, które można wykorzystać do tworzenia modeli roboczych do analizy, znajdowania wartości i ustalania priorytetów.
Jak rozwiązać problem niedoboru danych wysokiej jakości? Proszę przyjąć podejście holistyczne:
- Proszę wybrać źródła i połączyć informacje. Proszę wybrać, skąd będą Państwo czerpać dane do prognozowania popytu: od raportów makroekonomicznych po opinie klientów na niezależnych platformach internetowych. Po uporządkowaniu źródeł proszę skonfigurować procesy łączenia i przechowywania informacji.
- Sprowadzenie wszystkiego do jednego formatu. Dane z różnych źródeł są dostępne w różnych skalach, typach i jednostkach. Dlatego ważne jest, aby znaleźć jeden standard i przekonwertować na niego wszystko, co można: na przykład waluty, grupy produktów itp.
- Proszę upewnić się, że dane są wysokiej jakości i usunąć te, które mogą zniekształcić wynik. Dodatkowo proszę sprawdzić formaty i typy, czy należą do właściwego zakresu, unikalność itp.
- Synchronizacja danych. Należy ustawić harmonogram aktualizacji wszystkich instancji, aby były spójne pod względem czasu, trafności i innych kryteriów.
- Tworzenie modeli prognozowania popytu i wdrażanie ich (wykorzystywanie ich do planowania w świecie rzeczywistym). Regularne aktualizowanie i utrzymywanie informacji.
- Proszę szukać dodatkowych źródeł. Prognozowanie popytu w handlu detalicznym to niekończący się proces. Należy go stale przemyśliwać, a do istniejących modeli dodawać nowe i lepsze dane.
Czy powinni Państwo zrobić to samodzielnie, czy wynająć usługodawcę? Odpowiedź zależy od konkretnej sytuacji. Jednak zaangażowanie ekspertów zazwyczaj pomaga usprawnić procesy. Na przykład, na pierwszych etapach integracji swoich produktów, zespół LEAFIO dokładnie bada istniejące procesy biznesowe. Dostarcza rekomendacje dotyczące tego, jak ustanowić standardy danych, zapewnić dokładność oraz wdrożyć procesy gromadzenia i weryfikacji danych.
Wyzwanie nr 2: Nie wszystkie czynniki w równym stopniu wpływają na popyt
Jednym z największych wyzwań związanych z prognozowaniem jest konieczność uwzględnienia różnych czynników wpływających na popyt. Duża liczba czynników wewnętrznych i zewnętrznych ma zazwyczaj złożony wpływ. Należą do nich:
- ruch;
- dzień tygodnia;
- promocje;
- sezonowość;
- bieżąca sprzedaż;
- pogoda;
- lokalizacja sklepu;
- format;
- wyświetlacz;
- trendy popytu konsumenckiego;
- wydarzenia zewnętrzne itp.
Skuteczne uwzględnienie niezliczonych czynników w planowaniu i prognozowaniu popytu jest złożonym zadaniem, które wykracza poza ludzkie możliwości. Określenie wpływu tych czynników na popyt i ich względnego znaczenia dodaje kolejną warstwę zawiłości. Poleganie wyłącznie na profesjonalnej intuicji nie pozwala na uzyskanie dokładnych prognoz.
Co więcej, kluczowe znaczenie ma rozpoznanie nieliniowego charakteru wpływu każdego czynnika na popyt. Na przykład, zwiększony ruch pieszy nie przekłada się powszechnie na wyższą sprzedaż we wszystkich kategoriach produktów, a dzisiejsza wysoka sprzedaż nie gwarantuje podobnego sukcesu jutro.
Aby sprostać tym wyzwaniom, wykorzystanie metod uczenia maszynowego (ML) staje się niezbędne do konstruowania modeli prognozowania popytu detalicznego. Przykładowo, LEAFIO Inventory Optimization, zbudowany z wykorzystaniem metod uczenia maszynowego, oferuje możliwość analizy wpływu każdego czynnika na popyt. Wykrywanie i wykluczanie pomniejszych czynników, które nie są skorelowane z popytem, pomaga wyeliminować "szum" i zwiększa dokładność prognoz.
Wyzwanie nr 3: Kanibalizacja i efekt halo
Zwiększenie sprzedaży jednego produktu może znacząco wpłynąć na sprzedaż produktów niereklamowanych - co jest często pomijane w prognozowaniu popytu. Na przykład, oferując produkty zastępcze, konsumenci z dużym prawdopodobieństwem wybiorą opcję ze zniżką, co doprowadzi do kanibalizacji i negatywnie wpłynie na sprzedaż podobnych produktów.
I odwrotnie, efekt halo to zjawisko przeciwne, w którym promocja jednego produktu stymuluje sprzedaż jego uzupełnienia. Na przykład zniżka na płatki śniadaniowe może prowadzić do wzrostu sprzedaży mleka.
Włączenie kanibalizacji i efektu halo do prognozowania popytu w handlu detalicznym wymaga zidentyfikowania skomplikowanych relacji między produktami. Ręczna analiza tysięcy jednostek magazynowych (SKU) jest niepraktyczna, co sprawia, że metody prognozowania popytu oparte na sztucznej inteligencji są najskuteczniejszą opcją.
W tym celu wykorzystywane są dwa zestawy danych:
- Identyfikacja substytutów i powiązanych produktów na podstawie paragonów i danych dotyczących transakcji z klientami.
- Analiza szeregów czasowych na poziomie SKU. Jest to szczególnie cenne, gdy relacje między produktami są niezrównoważone, na przykład podczas wyprzedaży lub promocji.
Wykorzystanie narzędzi uczenia maszynowego do prognozowania popytu w celu obszernej analizy danych umożliwia identyfikację relacji i wzorców wskazujących na kanibalizację i efekty halo. Możliwe staje się szybkie wykrywanie scenariuszy, w których promocja jednego produktu negatywnie wpływa na sprzedaż jego analogu. Ten proaktywny wgląd umożliwia sprzedawcom detalicznym podejmowanie działań łagodzących, takich jak zmiana polityki cenowej lub przenoszenie analogów w przestrzeni detalicznej.
Narzędzie do prognozowania popytu LEAFIO integruje uczenie maszynowe w celu uwzględnienia wpływu kanibalizacji i efektu halo w modelach predykcyjnych. Integracja ta zwiększa dokładność prognoz, optymalizuje zarządzanie zapasami i podnosi ogólny poziom usług dla sprzedawców detalicznych.
Wyzwanie nr 4: Przewidywanie popytu na nowe produkty
Podczas prognozowania popytu na nowe produkty, ekspertom często brakuje wystarczających danych historycznych. Dotyczy to zwłaszcza sektorów handlu detalicznego o dużej rotacji asortymentu, takich jak elektronika, zabawki czy moda. Krótsze cykle życia i zwiększona rotacja asortymentu zmuszają niektórych sprzedawców detalicznych do sporządzania prognoz w ekstremalnych warunkach. Przykładem może być nisza sprzedaży książek, gdzie asortyment opiera się na nowych wydaniach.
Klasyczne metody prognozowania popytu, które obejmują ręczną analizę danych historycznych i subiektywne oceny oparte na doświadczeniu rynkowym, są stosunkowo nieefektywne ze względu na czas trwania procesu i ograniczoną dokładność. Jest to szczególnie prawdziwe w przypadku dużych i zróżnicowanych asortymentów produktów.
Nowoczesne narzędzia do prognozowania popytu oparte na sztucznej inteligencji rozwiązują te problemy. Przykładowo, algorytmy prognozowania popytu LEAFIO rozpoznają podobieństwa między nowymi produktami a już istniejącymi i budują prognozy w oparciu o dane historyczne. W przeciwieństwie do ręcznych metod prognozowania popytu, takie systemy mogą szybko przetwarzać duże ilości danych, biorąc pod uwagę różne czynniki, takie jak sezonowość, zachowania konsumentów, trendy rynkowe itp. Umożliwia to uzyskanie bardzo dokładnych prognoz nawet dla branż o wysokim poziomie rotacji produktów.
Wyzwanie nr 5: Dokładność prognozowania
Precyzyjne prognozy są podstawą skutecznego podejmowania decyzji w handlu detalicznym, służąc jako fundament optymalizacji poziomów zapasów, usprawnienia operacji łańcucha dostaw i zwiększenia satysfakcji klientów. Jednak pomimo kompleksowego zrozumienia czynników wpływających na popyt, niepewność zawsze się utrzymuje. Dokładność prognoz ma kluczowe znaczenie, ale nie jest jedynym czynnikiem w planowaniu łańcucha dostaw. Należy również wziąć pod uwagę koszty zapasów, koszty przeładunku i ryzyko utraty sprzedaży.
Na przykład wysoka dokładność jest niezbędna w przypadku produktów o krótkim okresie przydatności do spożycia: pomaga zmniejszyć straty. Jednak w przypadku produktów o długim okresie przydatności do spożycia ogólna prognoza jest zwykle wystarczająca: może nie być konieczne wydawanie zasobów na dokładne prognozowanie, ponieważ taniej jest przechowywać niewielki zapas towarów w magazynie.
Na dokładność prognozowania mają wpływ:
- Czynniki wewnętrzne: dostępność danych historycznych oraz ich jakość, szczegółowość, terminowość aktualizacji i kompletność, a także zaawansowanie i zdolność adaptacji modeli prognostycznych.
- Czynniki zewnętrzne: dynamiczne warunki rynkowe, zmiany gospodarcze i inne nieprzewidywalne zdarzenia (w tym klęski żywiołowe) oraz zachowanie użytkowników.
Ostatecznie poziom dokładności prognozy zależy od konkretnych potrzeb firmy. W każdym przypadku podejście powinno być holistyczne, biorąc pod uwagę wiele czynników, które są dla Państwa istotne.
Choć dokładne prognozy są ważne, same w sobie nie gwarantują udanych decyzji biznesowych. Na sukces wpływają również zwinne praktyki, harmonijnie zintegrowane technologie, strategie zorientowane na klienta i ciągłe doskonalenie. Ważna jest również analiza danych, zdolność do szybkiego dostosowywania się do zmian rynkowych i efektywna współpraca.
Dlaczego prognozowanie popytu jest ważne?
Dokładne prognozowanie popytu w zarządzaniu łańcuchem dostaw umożliwia sprzedawcom detalicznym optymalizację poziomów zapasów i proaktywne reagowanie na dynamikę rynku. Ponieważ zapasy są jedną z największych inwestycji dokonywanych przez sprzedawców detalicznych, jasne zrozumienie, ile każdego SKU musi znajdować się w magazynie w każdym sklepie i centrum dystrybucyjnym, ma kluczowe znaczenie:
- Niedoszacowanie popytu prowadzi do pustych półek, powtarzających się zamówień, niezadowolonych klientów, utraconej sprzedaży i utraconych zysków.
- Przeszacowanie generuje dodatkowe koszty. Zbyt duże zapasy zamrażają kapitał, który mógłby zostać wykorzystany do zakupu lepiej sprzedających się produktów i zmniejszają GMROI. Nadmierne zapasy prowadzą do dodatkowych kosztów magazynowania i powodują wymuszoną sprzedaż lub odpisy.
Dodatkowo, prognozowanie popytu:
- pomaga detalistom w zawieraniu korzystniejszych umów z dostawcami;
- usprawnia planowanie sprzedaży i kampanii reklamowych;
- pomaga zwiększyć zyski.
Prognozy popytu w handlu detalicznym są tradycyjnie oparte na analizie danych historycznych, badaniach konsumenckich i czynnikach makroekonomicznych. Sprzedawcy detaliczni posiadający kilka tysięcy jednostek SKU muszą radzić sobie z wieloma zmiennymi. Nie jest to jednak jedyna trudność. Poniżej przyjrzymy się wyzwaniom, przed którymi staną Państwo w procesie prognozowania popytu detalicznego.
Jakie jest rozwiązanie?
Modele prognozowania popytu oparte na uczeniu maszynowym stały się kluczowym elementem efektywnego zarządzania przedsiębiorstwem, wpływając na planowanie strategiczne i operacyjne. Doskonałą ilustracją takiego skutecznego rozwiązania do prognozowania popytu w handlu detalicznym jest LEAFIO Inventory Optimization, oparte na chmurze oprogramowanie wykorzystujące modele predykcyjne ML.
System LEAFIO zapewnia istotne strategiczne i taktyczne korzyści dla prowadzenia sieci detalicznych:
- Prognozowanie popytu w oparciu o ML pozwala podejmować świadome decyzje dotyczące rozszerzania linii produktów, otwierania nowych sklepów oraz ustalania rocznych budżetów i wskaźników KPI. Możliwość ta znacznie zmniejsza ryzyko błędnych obliczeń i utraty zysków, wspierając bardziej strategiczne i oparte na danych podejście do planowania biznesowego.
- Model prognozowania LEAFIO AI umożliwia firmom reagowanie na sezonowe skoki popytu poprzez przewidywanie wahań popytu z wyprzedzeniem. To proaktywne podejście pomaga dokładniej planować zapasy, zapobiegając zarówno nadmiernym zapasom, jak i niedoborom.
- Maksymalizując dostępność produktów i dopasowując asortyment do preferencji klientów, system zwiększa sprzedaż i buduje lojalność. Klienci mają gwarancję znalezienia odpowiednich produktów w konkurencyjnych cenach.
- Rezultatem wdrożenia jest obniżenie kosztów i zwiększenie zysków, ponieważ prognozowanie popytu za pomocą sztucznej inteligencji zapewnia optymalne dopasowanie zapasów do bieżących potrzeb biznesowych. Zmniejsza to nadwyżki zapasów, uwalnia zamrożone fundusze i minimalizuje odpisy produktów, prowadząc do bardziej efektywnego wykorzystania zasobów.
