Sztuczna inteligencja i uczenie maszynowe mają obecnie wpływ na rewolucjonizowanie sposobu zarządzania przedsiębiorstwami, od operacji łańcucha dostaw po prognozowanie popytu. Narzędzia prognozowania oparte na sztucznej inteligencji w handlu detalicznym mogą przewidywać potrzeby klientów, optymalizować zarządzanie zapasami i zwiększać zyski. Nic dziwnego, że prognozowanie przyszłego popytu rozwija się tak szybko, osiągając średni roczny wzrost na poziomie 45,8% w latach 2024–2029.
Badania rynkowe pokazują, że mechanizmy prognozowania popytu oparte na sztucznej inteligencji mogą zautomatyzować nawet 50% zadań związanych z zarządzaniem pracownikami, co przekłada się na redukcję kosztów o 10–15%. Jest to jednak tylko niewielka część najważniejszych wskaźników biznesowych, na które wpływ ma stosowanie nowoczesnych technologii prognozowania.
W tym artykule omówimy zadania, problemy i kwestie związane z handlem detalicznym, które można rozwiązać za pomocą modeli planowania popytu opartych na uczeniu maszynowym. Przyjrzymy się również specyfice najskuteczniejszych modeli prognozowania popytu klientów oraz sposobom pomiaru ich dokładności.
Najważniejsze wnioski
Planowanie popytu ma wpływ na wszystkie kluczowe działy handlu detalicznego — od działu handlowego po logistykę i marketing.
Modele ML przewyższają tradycyjne metody pod względem skalowalności, automatyzacji i adaptacyjności.
LightGBM wyróżnia się jako najlepszy algorytm w zadaniach prognozowania popytu.
Dokładne prognozowanie sezonowych szczytów zależy w dużym stopniu od stopnia zaawansowania modelu.
Dokładność prognozy zależy od właściwego horyzontu czasowego, poziomu agregacji i miary błędu.
Wskaźniki finansowe są niezbędne do oceny rzeczywistego wpływu narzędzi prognostycznych.
Dlaczego narzędzia i techniki planowania popytu są ważne w handlu detalicznym?
Wiele działów firmy w taki czy inny sposób korzysta z prognoz. Specyfika firmy i cel danego działu decydują o tym, na jakich prognozach się opierają.
Działy handlowe
Działy te pracują głównie z prognozami sprzedaży w ujęciu pieniężnym i na poziomie kategorii, aby ocenić, czy cele sprzedażowe zostaną osiągnięte, i tak właśnie rozpoczyna się proces S&OP.
Działy operacyjne
Codzienne dokładne prognozy zapotrzebowania w zakresie ilości mają kluczowe znaczenie dla strategicznego planowania zasobów i zapewnienia płynnego przebiegu codziennych operacji.
Działy zakupów
Prognozy popytu klientów na poziomie lokalizacji poszczególnych produktów mają kluczowe znaczenie. Horyzont prognozowania jest elastyczny i zależy od czasu realizacji dostaw w łańcuchu dostaw. Czasami działy zakupów opierają się na prognozach sprzedaży, aby właściwie zrozumieć i zaplanować działania promocyjne we współpracy z działami handlowymi.
Działy logistyki i transportu
Działy te koncentrują się na wskaźnikach końcowych wynikających z prognoz popytu klientów, takich jak przychodzące dostawy, wychodzące dostawy, ilości, wolumeny i palety. Pomaga to w planowaniu zasobów i zarządzaniu obciążeniem magazynu.Potrzebują tego, aby zrozumieć zarówno możliwości magazynu centralnego, jak i możliwości transportowe, aby uniknąć zakłóceń w łańcuchu dostaw. Według badania McKinsey firmy odnotowały spadek kosztów logistycznych o 15% i poprawę poziomu zapasów nawet o 35% dzięki modelom prognozowania łańcucha dostaw opartym na sztucznej inteligencji.
Działy rozwoju marketingu
Działy marketingu również podlegają wpływom prognoz popytu. Mogą one być odpowiedzialne za proces prognozowania promocji na poziomie poszczególnych produktów dla określonych okresów kampanii lub prognoz sprzedaży dla nowych sklepów.
Porównanie modeli ML i metod statystycznych w procesie planowania popytu
Istnieje różnica między tradycyjnymi (statystycznymi) metodami prognozowania popytu a metodami uczenia maszynowego. Modele statystyczne opierają się na danych historycznych i metodach analizy statystycznej. Pomagają one analizować dane przy użyciu ustalonych struktur matematycznych, umożliwiając identyfikację prostych wzorców, testowanie hipotez i formułowanie trafnych prognoz.
Techniki planowania popytu oparte na sztucznej inteligencji i uczeniu maszynowym wykorzystują sztuczną inteligencję i uczenie maszynowe do prognozowania przyszłego popytu na produkty. Zaawansowane algorytmy umożliwiają analizę złożonych danych, takich jak trendy rynkowe, trendy konsumenckie i dane dotyczące sprzedaży w przeszłości, a także identyfikację skomplikowanych wzorców.
Z punktu widzenia kosztów technologie ML są nieco droższe niż tradycyjne techniki prognozowania. Jednak dokładność prognoz, możliwość dostosowania się do zmian danych oraz złożone zależności między różnymi typami danych i kategoriami uwzględnianymi przez uczenie maszynowe uzasadniają dodatkowe koszty.
Ponadto uczenie maszynowe zapewnia skalowalność, automatyzację, elastyczność i wyjaśnialność wyników. Chociaż korzystając z tradycyjnych metod statystycznych, firmy są przyzwyczajone do większej wyjaśnialności wyników – prostego wzoru, który zapewnia jasne zrozumienie zależności i oczekiwanych rezultatów. Niemniej jednak modele uczenia maszynowego wykorzystują inne, równie intuicyjne podejście do wizualizacji wyników i ich wyjaśniania.
Porównanie modeli ML z metodami statystycznymi w prognozowaniu popytu:
- Sprzedaż w zeszłym tygodniu
- Sprzedaż w ciągu ostatnich 4 tygodni
- Sprzedaż w tym samym okresie poprzedniego roku
- Maksymalna ilość sprzedaży
- Sprzedaż nietypowa
- OOS (opcjonalnie)
Czynniki kalendarzowe
Popyt na niektóre towary zmienia się w zależności od pory roku, dnia tygodnia, a nawet pory dnia. Zrozumienie tych wzorców i cykli pomaga sprzedawcom detalicznym zapewnić odpowiednią ilość towarów w magazynie w razie potrzeby i uniknąć zakłóceń w łańcuchu dostaw.
Czynniki kalendarzowe, które należy uwzględnić przy sporządzaniu prognozy, to:
- Liczba tygodni w roku
- Dzień tygodnia
- Liczba tygodni w miesiącu
- Święta i dni wolne od pracy o zmiennych terminach
Czynniki promocyjne/cenowe
Elastyczność cenowa ma znaczący wpływ na prognozowanie popytu. Nawet jeśli nie są prowadzone żadne kampanie promocyjne, zwykłe wahania cen mogą znacznie wpłynąć na popyt.
Czynniki promocyjne i cenowe, które należy wziąć pod uwagę, to:
- Znak promocyjny (Tak/Nie)
- Ilość jednostek SKU w promocji w określonym terminie
- Zmiana ceny sprzedaży SKU w porównaniu ze średnią ceną sprzedaży z poprzedniego tygodnia.
- Średnia cena SKU
- Liczba dni promocyjnych w ostatnim tygodniu
- Liczba dni promocyjnych w ciągu ostatnich 4 tygodni
- Analogi promocyjne
Charakterystyka SKU
Podczas prognozowania popytu system bierze pod uwagę kilka cech każdego SKU, aby stworzyć dokładne prognozy:
- Kategoria
- Waga netto
- Marka
- Dodatkowe cechy produktu
Jak mierzyć dokładność prognoz
Dokładność prognoz zależy od wyboru odpowiedniego horyzontu czasowego, poziomu agregacji oraz metody obliczania błędu. Wybór tych parametrów jest dostosowany do potrzeb detalisty, aby zapewnić najbardziej trafne i przydatne informacje.
Wyniki dokładności prognoz będą się znacznie różnić, na przykład na poziomie dziennym i miesięcznym. Oczywiście na poziomie miesięcznym możemy uzyskać znacznie lepszą dokładność prognoz w porównaniu z rzeczywistymi danymi. Im wyższy poziom agregacji zastosowany do pomiaru dokładności prognoz, tym lepsze wyniki.
Wielkość błędu
Ogólnie rzecz biorąc, istnieje szereg wskaźników służących do obliczania błędu prognozy:
- PE — procentowy błąd
- MAE — średni błąd bezwzględny
- BIAS — tendencyjność prognozy
- WMAPE — średni ważony procentowy błąd bezwzględny
- RMSE — średni błąd kwadratowy
„Jeśli mówimy o WMAPE, benchmarki w różnych branżach pokazują zakres od 10% do 25%. Jest to poziom firmy, w zależności od horyzontu czasowego, ale generalnie jest to wynik tygodniowy lub miesięczny. Aby zrozumieć, czy istnieją luki w prognozowaniu i czy można je wyeliminować przy pomocy najnowszych technologii, lepiej porównać rzeczywiste wyniki z benchmarkami” – powiedziała Helen Kom, dyrektor operacyjna w LEAFIO AI, ekspertka ds. optymalizacji zapasów.
Planowanie finansowe
Wskaźniki finansowe zapewniają kompleksowy obraz wyników działalności, wykraczający poza sam błąd prognozy. Ważne jest śledzenie następujących wskaźników i ich wpływu na prognozy:
- Plan sprzedaży a fakty
- Nadwyżki magazynowe
- Obroty
- Dostępność% i OOS
Nawet jeśli detalista ma bardzo wysoką dokładność prognoz, np. około 95%, nadal może uzyskać złe wyniki w zakresie realizacji. Należy przyjrzeć się procesom, nie tylko dokładności prognoz, ale także zrozumieć, w jaki sposób prognozy są wykorzystywane i jakie wyniki finansowe osiąga się dzięki danemu rozwiązaniu.
Prognozowanie popytu LEAFIO AI: zwiększanie wydajności handlu detalicznego dzięki dokładnym prognozom
Oprogramowanie LEAFIO AI-Powered Demand Planning przenosi efektywne planowanie popytu na wyższy poziom dzięki wykorzystaniu zaawansowanych modeli uczenia maszynowego, takich jak LightGBM. Wykorzystując sztuczną inteligencję, system analizuje szeroki zakres źródeł danych, biorąc pod uwagę czynniki wewnętrzne i zewnętrzne. System zapewnia najbardziej wiarygodne prognozy popytu, które pomogły już setkom firm poprawić wyniki sprzedaży. W przeciwieństwie do tradycyjnych metod, system jest ulepszany w czasie rzeczywistym, dostosowując się do zmian na rynku, trendów gospodarczych i poziomu satysfakcji klientów.
Wnioski
Prognozowanie popytu oparte na sztucznej inteligencji to nie tylko lepsze przewidywania — to zmiana sposobu myślenia, planowania i działania przedsiębiorstw detalicznych. Możliwość wychwycenia subtelnych zmian popytu, natychmiastowej reakcji na sygnały rynkowe i koordynacji działań między działami sprawia, że prognozowanie staje się strategicznym motorem wzrostu. Narzędzia takie jak LightGBM nie tylko przetwarzają dane — ujawniają niewidoczne dla ludzkiego oka wzorce i tworzą podstawę do podejmowania mądrzejszych, szybszych i bardziej opłacalnych decyzji, które pozwalają zaspokoić potrzeby klientów.
Jeśli jesteś gotowy, aby przejść od statycznych raportów do inteligentnych prognoz, poproś o prezentację. LEAFIO AI Demand Planning to nie tylko oprogramowanie — to zmiana możliwości, sposobu myślenia i wyników.
Masz pytanie?
Masz pytania dotyczące automatyzacji lub optymalizacji sprzedaży detalicznej? Porozmawiaj z naszym ekspertem o rozwiązaniach!
Helen Kom
Inventory Optimization Product Director
