Для розничного продавца переход к современной цифровой парадигме требует, чтобы интернет-магазины были оснащены динамическим контентом, ценами и рекомендациями клиентов. Как ни странно, в стационарных каналах продаж решения по-прежнему принимаются на основе ручных отчетов, инструментов планирования и даже отчасти интуитивно, без использования системы управления.

Проблемы с запасами в розничной торговле

Излишние запасы, недостаточный запас, а также отсутствие обзора методов продаж, таких как продвижение лидеров продаж, могут быть проблемами, которые приводят к отсутствию масштабируемости и ненужным затратам.

Основные проблемы с запасами в розничной торговле:

  • Отслеживание запасов
  • Поддержание сезонного запаса
  • Излишки или недостаточные запасы
  • Заполнение нового магазина
  • Неэффективные процессы управления мерчандайзингом
  • Изменение требований и ожиданий клиентов
  • Ограниченная видимость данных и централизация важных данных
  • Растущая конкуренция

Со временем планировщики товаров должны идти в ногу с тенденциями продаж и даже предвидеть, как изменятся ожидания клиентов в течение всего года. Это становится все труднее, особенно в связи с неожиданными ситуациями, с которыми столкнулась отрасль. Решения об управлении мерчандайзингом и складских запасах могут быть основаны только на KPI и исчерпывающих отчетах. Даже в этом случае решения, принимаемые интуитивно, а не на основе данных, могут оказаться в тупике.

Чем может помочь машинное обучение

Внедрение новой системы управления, отвечающей потребностям планировщиков товаров, кажется всеобъемлющим решением. Однако после внедрения многие розничные продавцы обнаруживают, что такой инструмент оказывает ограниченную помощь менеджерам их магазинов и регионов. Хотя дисплеи и отчеты KPI технически интегрированы, приложение не может предлагать какие-либо решения по проблемам инвентаризации, что делает решения, принимаемые человеком, по-прежнему критически важными.

Здесь в игру вступает машинное обучение. Когда исторические данные из системы управления становятся доступными, человеческий опыт можно заменить эмпирическими ценностями и машинным обучением из системы. Если вдобавок будут учитываться тенденции, планировщикам могут быть даны разумные рекомендации.

С помощью трехэтапного принципа Accesa удалось предложить персонализированные решения для розничных клиентов, которые столкнулись с проблемами инвентаризации. Сочетая систему управления с мощью технологий машинного обучения, извлеченные данные могут быть преобразованы в ценную информацию и генерировать интеллектуальные прогнозы для менеджеров.

Трехэтапный принцип включает в себя:

  • Фаза обнаружения, чтобы прояснить определение потребностей. Например, получение еженедельного прогноза тенденций на основе исторических (месячных, годовых) данных о продажах используется для оценки планирования управления запасами. Исходя из этого, мы приступаем к анализу данных и подбираем правильный метод для клиента.
  • Исследование проекта предлагает анализ и проверку существующих данных и определяет методы и технологии, которые будут использоваться для создания прототипа решения.
  • Внедрение — это следующий этап принципа, когда решение тестируется и проверяется, после чего оно регистрируется в масштабах всей компании.

От необработанных данных к решению для машинного обучения

Основной предпосылкой краткосрочного, успешного и беспроблемного проекта является доступность и достоверность данных. Мы используем всесторонний и структурированный анализ данных в 4 этапа, чтобы определить тенденции продаж:

  • Сводка данных: данные, хранящиеся в разных форматах без интуитивно понятных описаний для таблиц и показателей, должны быть собраны, централизованы и помечены.
  • Определение релевантных для проекта данных: на основе существующих исторических данных выбираются и обобщаются определенные категории данных для целей проекта (например, типы продуктов, цвет, размер, цена, сезон, год и т. д.).
  • Корреляция и повторная выборка: различная информация о продукте сопоставляется и анализируется взаимное влияние. Можно было сделать важные выводы (например, корреляция цены с продажами имела гораздо более низкое значение, чем ожидалось).
  • Машинное обучение: определение подходящего метода агрегирования данных для обучения модели машинного обучения — один из самых трудоемких процессов. Выбранная модель должна быть достаточно сложной, чтобы ее можно было сочетать с алгоритмами обучения.

Результаты и следующие шаги

Решения для машинного обучения могут использовать формы линейных разностных уравнений и отображать линейные стохастические процессы или аппроксимировать более сложные процессы. Комбинированное приложение может управлять различными процессами, такими как распределение товаров между центральными складами и другими точками или управление розничными магазинами.

Решение принимает решения на основе существующих данных. При условии, что эти данные чистые — нет дубликатов или устаревшей информации — машина делает предложения, которые могут быть проверены операторами, а последнее слово остается за человеческим фактором.

Еще один заметный результат такого решения — динамическое ценообразование. Механизм может стимулировать продажи в магазинах и одновременно оптимизировать товарооборот. Однако есть несколько вещей, которые необходимо учитывать: Потребители ожидают, что цена на продукт останется стабильной изо дня в день. Поэтому машина только рекомендует следующее снижение цены в системе на основании данных о продажах.

Ожидаемые показатели продаж, основанные на отчетах о продажах, также можно использовать для оптимизации распределения между центральным складом и магазинами, а также между самими магазинами.

Заключительная мысль

Из-за культурных и региональных условий продукты продаются по-разному в разных регионах и время от времени. Это не всегда предсказуемо в долгосрочной перспективе, но решение для машинного обучения может помочь определить тенденции в текущем процессе продаж и обеспечить непрерывную оптимизацию.

Первоначально опубликовано на https://www.accesa.eu 1 октября 2020 г.