Прогнозирование спроса с помощью искусственного интеллекта. Ожидание vs Реальность

Материал подготовлен совместно с партнером комьюнити Digital4food, Datanomics.

Прогнозирование спроса – ключевой аспект управления в различных отраслях. С использованием искусственного интеллекта (ИИ) и алгоритмов машинного обучения (ML) мы можем обучать модели на исторических данных и предсказывать, какие продукты будут востребованы в будущем. Таким образом, прогнозирование спроса с помощью ИИ позволяет более точно планировать производство, управлять запасами и удовлетворять потребности клиентов.

ML-модели могут учитывать такие факторы, как праздники, выходные дни, сезонность, погода, тренды продаж и прочие признаки, которые влияют на продажи. Модель автоматически может прогнозировать в разрезе каждой отдельной номенклатуры и контрагента или канала продаж, с любой частотой и горизонтом, хотя важно не забывать, что чем длиннее горизонт, тем ниже качество прогноза. 

В связи с бурным развитием ML некоторые заказчики переоценивают эффект от применения этих технологий. Они хотят универсальный инструмент, который решит все проблемы, связанные с прогнозированием спроса, и полностью заменит человека в этом процессе. ИИ действительно улучшает точность прогнозирования, но он не всегда может учесть все факторы, такие как неожиданные события, формирующие новые потребительские тенденции, так как они изначально не могут быть заложены в модель. 

Давайте рассмотрим несколько примеров, когда ожидания заказчика сталкивались с ограничениями ИИ, чтобы понимать реальные возможности этой технологии.

Кейс 1. Региональный хлебозавод с количеством номенклатур более 700

Ожидание:

Прогнозирование спроса в разрезе номенклатур на каждый день с горизонтом 1 месяц для целей планирования производства.

Реальность: 

Значительный ассортимент и клиентоориентированность производителя приводят к тому, что спрос в разрезе номенклатур очень разрежен носит характер прерывистого и сложно прогнозируемого ML методами. Автоматизировать прогнозирование и планирование возможно только за счет агрегации данных до уровня категорий товаров, чтобы получить более сглаженные данные продаж. 

Избыточность ассортимента не только уменьшает точность прогнозирования, но также снижает экономическую эффективность. Поэтому отделу маркетинга было поручено провести исследование и выделить маржинальные позиции для последующей оптимизации ассортимента в целях повышения прибыли.  

Кейс 2. Производитель товаров для сада и огорода

Ожидание:

Прогнозирование спроса в разрезе номенклатур на каждый день с горизонтом 2 месяца в розничном канале сбыта с учетом влияния погодных условий.

Реальность: 

Достоверный прогноз погоды публикуется в источниках, которые можно подключить к ML-модели, с горизонтом 14 дней. Прогнозы погоды, полученные на срок до 2-х месяцев, формируются на основе исторических наблюдений и не являются достоверными. Следовательно, предсказать увеличение или уменьшение спроса за счет ранней весны, зимы или поздней осени с высокой точностью не удастся. 

В краткосрочном прогнозировании для короткого плеча доставки прогноз погоды можно учесть, и добавление такого признака в модель дает улучшение качества прогнозирования.

Кейс 3. Производитель алкогольных напитков

Ожидание:

Прогнозирование спроса в разрезе номенклатур и каналов сбыта с учетом продаж конкурентов для оценки потенциала роста продаж.

Реальность: 

Для решения подобной задачи потребуется обогатить модель прогнозирования внешними данными о продажах конкурентов в каналах сбыта. Для последующего автоматического прогнозирования необходимо, чтобы данные о продажах конкурентов поступали в модель регулярно. Однако данные о продажах не находятся в открытом доступе, и для их получения потребуется обратиться к держателям этих данных, например, операторам фискальных данных или розничным сетям. Учитывая, что для держателей это цифровой актив, предоставление данных является платной услугой, что значительно увеличит стоимость прогнозирования и сделает решение в контексте «затраченные усилия – полученный результат» непривлекательным. 

Рекомендуется начать построение ML-модели на данных, которые доступны без дополнительных затрат. Возможно, что уже на этом этапе польза от автоматического прогнозирования и повышения качества прогнозов принесет ценность компании. Пересмотр планов продаж возможно производить уже поверх оперативного прогнозирования спроса, накладывая аналитику, например, раз в квартал.

Что следует учесть при внедрении прогнозирования спроса с помощью ИИ?

1. Определение задачи и установление границ: Необходимо четко определить, какую задачу ИИ будет решать и с какой целью, например, ежедневное прогнозирование спроса в разрезе актуальных номенклатурных позиций на 4 недели вперед для целей планирования производства.
2. Качество и доступность данных: В основе решений искусственного интеллекта лежат данные, поэтому возможности реализации напрямую зависят от их количества и качества. Важно организовывать системы сбора, обработки и хранения данных, чтобы развивать конкурентные преимущества от их использования.
3. Повышение осведомленности персонала о решениях ИИ: Обучение сотрудников принципам работы искусственного интеллекта позволит избежать перегретых ожиданий и предотвратить недоразумения, но в то же время использовать технологию максимально эффективно.

Применение ИИ для прогнозирования спроса — это мощный инструмент, который может помочь бизнесам принимать более обоснованные решения. Однако важно понимать, что ИИ не является универсальным решением и имеет свои ограничения. Обучение реалистичным ожиданиям, выбор подходящего метода и акцент на качестве данных помогут успешно внедрить ИИ и достичь желаемых результатов.