Rozwiązywanie wyzwań związanych z prognozowaniem popytu w handlu detalicznym

Źródło: https://progressivegrocer.com/unraveling-demand-forecasting-challenges-retail

Optymalizacja stanów magazynowych ma kluczowe znaczenie dla sukcesu sprzedaży detalicznej, idealnie dostosowując się do popytu. Wyzwaniem jest zmienność czynników wpływających na rynek, od bardziej przewidywalnych, takich jak sezonowość i promocje, po spontaniczne, takie jak zmiany pogody i kwestie globalne. Chociaż możemy oszacować potrzeby na podstawie średnich i danych historycznych, dokładne prognozy są trudne do osiągnięcia.

Główne wnioski

Rozwiązania AI pozwalają lepiej radzić sobie z niepewnością popytu.

• Dane POS łączone z prognozami makro. 

• Modele predykcyjne dostosowane do kategorii. 

• Sezonowe automatyczne korekty forecastów. 

• Alarmy dla odchyleń większych niż X%. 

• Wizualizacja danych w dashboardzie menedżera.

Kiedy planista wskazuje, że przedmiot sprzedaje 213 jednostek dziennie, prawdopodobnie odnosi się do ADU (średnie dzienne użycie), podkreślając termin "średnia". W rzeczywistości dzienna sprzedaż w ciągu ostatniego tygodnia lub miesiąca mogła nie obejmować jednego dnia z dokładnie 213 sprzedanymi jednostkami; zamiast tego może to być zakres taki jak 199, 220, 233, 187, 210, 228 itp. Ta zmienność jest powodem, dla którego używamy średnich. Gdybyśmy jednak zamówili dokładnie 213 sztuk, co by się stało? Krzywa rozkładu gaussowskiego zapewnia wgląd w to pytanie, znane osobom zaznajomionym z prawdopodobieństwem i statystyką.

Średnia 213 jednostek wyznacza szczyt wykresu, reprezentując 50% prawdopodobieństwo. Innymi słowy, rzeczywisty popyt jest równie prawdopodobny poniżej lub powyżej tej wartości. Zaakceptowanie 50% prawdopodobieństwa niedoborów jest niepraktyczne w handlu detalicznym, wpływając na sprzedaż i zyski. Dlatego też logicznym posunięciem jest zabezpieczenie dodatkowych towarów dla pewności.

Paradoks polega na dążeniu do wysokiego poziomu dostępności, co wymaga zamówień znacznie przekraczających średnią. Przekroczenie granicy 95% prawdopodobieństwa wymaga znacznego zwiększenia zapasów dla każdego kolejnego procenta.

Złożoność prognozowania w handlu detalicznym wynika z naturalnych krzywych dystrybucji o kształtach bardziej skomplikowanych niż idealna krzywa Gaussa. Nawet w przypadku szybko rotujących towarów, krzywe te są asymetryczne, a rzadziej sprzedawane produkty jeszcze bardziej odbiegają od idealnego kształtu.

W przypadku produktu, którego średnia dzienna sprzedaż wynosi 0,5 jednostki, wahając się między zerem, jedną, dwiema lub trzema jednostkami, zapewnienie 98% dostępności wymaga zamawiania znacznie więcej niż średnia sprzedaż. Dążenie do wysokiej dostępności może jednak prowadzić do nadmiernych zapasów, potencjalnie zmniejszając sprzedaż i powodując różne reperkusje ekonomiczne.

Niemniej jednak w handlu detalicznym analiza krzywych dystrybucji na potrzeby planowania zapasów jest rzadkością. Wyzwanie polega na indywidualności tych krzywych, różniących się nie tylko w zależności od SKU, ale także w ramach tego samego SKU w różnych lokalizacjach. Na przykład zarządzanie 1 000 000 krzywych dla sieci detalicznej z 10 000 SKU i 100 sklepami jest czasochłonnym przedsięwzięciem. W związku z tym zadanie to jest często rozwiązywane przy użyciu programu Excel, a specjaliści polegają na swoich unikalnych formułach i metodach. Nawet jeśli obliczeniami zajmuje się system ERP (planowania zasobów przedsiębiorstwa), jego algorytmy są zazwyczaj proste. Dominującą tendencją jest zwiększanie zamówień, aby zapobiec utracie sprzedaży. W rezultacie niektórzy sprzedawcy detaliczni mogą nie nadzorować skrupulatnie swojej ekonomii zapasów, często zaniedbując to zadanie, dopóki nie stanie się ono krytycznym problemem.

W początkowej fazie rozwoju firmy dział sprzedaży jest zazwyczaj głównym motorem napędowym, a model planowania popytu często opiera się na znanym schemacie: średnia sprzedaż plus korekty z tytułu sezonowości, trendów, kampanii promocyjnych i bufora bezpieczeństwa w celu zapewnienia solidnej dostępności, a co za tym idzie, wysokiej sprzedaży.

Chociaż strategia ta pozwala osiągnąć wskaźniki dostępności na poziomie 97%, a nawet 98%, często skutkuje nadmiernymi zapasami, co prowadzi do wyższych kosztów logistycznych i operacyjnych. Ta nadwyżka zapasów nie tylko zajmuje cenne miejsce na półkach i w magazynach, ale także negatywnie wpływa na ogólną sprzedaż. Ponieważ artykuły przeznaczone do sprzedaży mają pierwszeństwo, klienci mogą omijać inne, potencjalnie bardziej opłacalne towary. Chociaż obroty mogą wzrosnąć, marże zysku spadają. Ponadto istnieje ryzyko, że produkty osiągną koniec okresu przydatności do spożycia, co spowoduje konieczność odpisów i poniesienia dodatkowych kosztów.

W przypadku produktów niespożywczych, nadwyżki mogą być przenoszone między punktami sprzedaży detalicznej i magazynami, a ostatecznie sprzedawane ze znacznymi rabatami lub odpisywane. Proces ten przyczynia się do wzrostu wydatków na logistykę i dodatkowo zmniejsza cenną przestrzeń na półkach sklepowych, przeznaczoną na towary bardziej zbywalne. Ponieważ pojemność magazynowa staje się coraz bardziej ograniczona, firmy są zmuszone do inicjowania projektów ekspansji.

Podczas gdy formuła obliczania strat ze sprzedaży jest prosta, określenie kompleksowych kosztów i strat związanych z nadmiernymi zapasami stanowi większe wyzwanie ze względu na ich zróżnicowany i nie zawsze oczywisty charakter. Powszechne przekonanie, że "w końcu sprzedamy ten produkt" może być prawdziwe w przypadku pojedynczych przypadków lub określonych SKU, ale okazuje się niedokładne, gdy jest stosowane w całej firmie zmagającej się z licznymi nadwyżkami zapasów.

Sama ilość danych do przeanalizowania przekracza możliwości doświadczenia pracowników, intuicji i uproszczonych modeli Excel lub ERP. Osiągnięcie równowagi między perspektywami "sprzedawców" i "finansistów" w tej odwiecznej walce wymaga solidnej metodologii i zaawansowanych modeli matematycznych.

Na szczęście sztuczna inteligencja stała się potężnym korektorem na tej arenie. Algorytmy sztucznej inteligencji bezstronnie wykonują obliczenia i podejmują decyzje taktyczne w oparciu o złożone modele, pomagając menedżerom w podejmowaniu kluczowych decyzji strategicznych poprzez dostrzeganie wskazówek i wzorców w ogromnych zbiorach danych, które mogą wymykać się ludzkiej percepcji. W związku z tym nowoczesne firmy nie zastanawiają się już, czy wdrożyć sztuczną inteligencję do prognozowania popytu. Jedynym pytaniem jest szybkość podejmowania decyzji i wybór odpowiednich rozwiązań. Niewątpliwie konkurencję rynkową wygrają ci detaliści, którzy najszybciej wskoczą do odjeżdżającego pociągu.