Разговор с экспертами: прогнозирование спроса
![](https://digital4food.ru/wp-content/uploads/2024/07/anna-i-sergej.png)
27 июня прошла онлайн дискуссия с участием отраслевых экспертов, которые обсудили тему «Прогнозирование продаж и планирование производства: граница, технологии, возможности инструментов цифровизации».
В дискуссии приняли участие:
- Анна Племяшова, директор Datanomics.
18+ лет опыта в финансово-операционной сфере и корпоративном анализе. - Сергей Кравченко, старший аналитик данных Datanomics.
7+ лет опыта в Data Science проектах и построении аналитических решений. - Мария Горохова, продакт-менеджер отраслевого решения PLAN4FOOD.
5+ лет опыта автоматизации учета на пищевых предприятиях.
По горячим следам делимся с вами вопросами «из зала» на тему прогнозирования спроса и ответами экспертов из компании Datanomics.
У прогнозирования есть ощущение необъятности. Существует ли понятие разумного горизонта прогнозирования?
Анна Племяшова: В фирменной рознице может быть ежедневное планирование с горизонтом в недели. Этого достаточно для системы автозаказа. Но у производства часто бывают запросы на ежедневное планирование в разрезе SKU на 6-8 недель вперед. Мы говорим про оперативное прогнозирование, которое передается в оперативное планирование. Есть долгосрочное планирование, например, объемы на акцию. Мы должны рассчитать объемы исходя из акции, которая будет через 3-4 месяца. Но в любом случае, чем дальше мы стреляем по прогнозу, тем больше мы промахиваемся.
Расскажите, какой максимальной точности прогнозирования вы достигли с помощью вашего сервиса и на какой регулярности?
Анна Племяшова: Как мы сказали на вебинаре, точность прогнозирования зависит от качества и характера продаж. Например, товары с нерегулярным спросом будут проигрывать по метрикам качества хорошо продаваемым товарам. На пилотном проекте заказчик, как правило, выбирает критерием успешности проекта улучшение текущей метрики качества прогнозирования. Среднее улучшение точности прогноза при переходе на алгоритмы машинного обучения 25-30%, нам удавалось достигать и 40%.
Сергей Кравченко: Если говорить все-таки о максимальной точности, то в нашей практике она достигала 92% в разрезе товар-магазин-день. Расчет выполняли, как 1-MAPE (средняя абсолютная ошибка в процентах). Данные факта, на которых заказчик тестирует сервис Datanomics, нам, как исполнителю, не известны. Мы передаем прогноз, и заказчик или мы совместно с заказчиком рассчитываем метрику.
![](https://digital4food.ru/wp-content/uploads/2024/07/screenshot-2024-07-04-at-16.30.09.png)
Можно ли без информации от сетевых клиентов о продажах, акциях обеспечить нужную точность прогнозирования?
Анна Племяшова: Мы знаем, что некоторые крупные ритейлеры создали специальные сервисы с данными. Подобная услуга стоит достаточно дорого из-за того, что рынок пока не сильно развит.
Сергей Кравченко: Мы используем данные клиента по заказам, акциям и отгрузкам, исходя из которых восстанавливаем спрос и сглаживаем временные ряды для нужного прогнозирования. То есть мы работаем на данных заказчика.
Подходят ли алгоритмы машинного обучения для прогнозирования биржевых продаж?
Сергей Кравченко: Если мы говорим о бирже, на которой внешние условия часто бывают непредсказуемыми, то прогнозирование будет работать не очень хорошо и иногда даже совсем не будет работать. В рамках нашего продукта мы говорим о товарах общего потребления, которые будут всегда иметь спрос вне зависимости от ситуации и выраженную сезонность. Важно, чтобы это были события/объекты, которые имеют статистику – поддаются прогнозированию методом машинного обучения. На те события, по которым нет статистики, осмысленного прогноза сделать не получится.
Анна Племяшова: У нас есть опыт прогнозирования цен на сырье от поставщиков с использованием внешних факторов, в том числе биржевых цен и фьючерсов. Прогнозирование цен на биржевые товары — актуальная задача для производителей.
![](https://digital4food.ru/wp-content/uploads/2024/07/screenshot-2024-07-09-at-11.39.42.png)
Правильно ли, что Datanomics – это облачный сервис, и, как следствие, обрабатываемые им данные (продажи, выработка и прочее для планирования) покидают для этого предприятие?
Анна Племяшова: Да, сервис облачный. Мы партнеры Yandex Cloud. На каждого клиента создается отдельная подписка в облаке Yandex. В нашей практике реализации есть проекты построения аналитических платформ в облаке, в том числе с выносом в облако персональных данных. Все политики и требования служб информационной безопасности соблюдены. Подробнее о правилах информационной безопасности Yandex https://yandex.cloud/ru/security.
С какими учетными системами совместимо решение Datanomics?
Сергей Кравченко: Система Datanomics интегрируется с помощью rest api, такой подход используется практических во всех системах.
Есть ли дифференциация акционных объемов: учитываются все заявки на отгрузки по акции или только именно крупные заявки? Не создают ли «шум» мелкие акции?
Анна Племяшова: Для построения модели нам нужно видеть все акции. Иногда бывают случаи, что акции на прошлых периодах не были размечены и приходится восстанавливать их из цен. Для хорошего качества прогноза необходимо на будущее тоже передавать все акции на тот горизонт планирования, который требуется для расчета прогноза.
Есть ли в системе нечто подобное следующему: модель сама предлагает какую-то акцию (возможно на небольшой объём), после чего оценивает получившийся результат?
Анна Племяшова: Здесь уже правильнее говорить о методах динамического ценообразования. Для того, чтобы модель сама предлагала акцию (другими словами скидку от регулярной цены), она должна оптимизировать абсолютную величину валовой прибыли за счет увеличения количества проданного товара благодаря скидке. Методы машинного обучения позволяют строить такие решения. Подробнее в статье нашего блога https://datanomics.ru/artciles/obzor-metodov-dinamicheskogo-tsenoobrazovaniya/. Но на текущий момент в нашей практике от производителей подобных запросов не было. Посчитать объем на планируемые акции — такие кейсы у нас есть, но это задача прогнозирования.
Есть ли в системе анализ работы конкурентов на рынке (по открытым данным)?
Анна Племяшова: Мы проводили исследование наличия данных и их стоимости от сетевых ритейлеров и операторов фискальных данных. К сожалению, бюджет подобного обогащения данными о конкурентах получается “кусачим», наши заказчики от этих идей отказывались. Качественных открытых бесплатных данных для улучшения прогноза мы пока не обнаружили.
График промоакций должен быть долгосрочный? А если вдруг появляются срочные акции за сколько они должны быть запланированы?
Анна Племяшова: График планируемых акций должен соответствовать горизонту прогнозирования. Если прогнозируем на 8 недель – надо иметь график на 8 недель вперед иначе такой длительный прогноз, если, например, акции известны только на месяц вперед, теряет смысл. Если вдруг появляются незапланированные акции, то пересчитать прогноз всегда возможно. В таком случае нужно будет пересмотреть решения, которые были приняты и планы, построенные на основании прогноза с потерянными акциями.
Для наших читателей компания Datanomics предлагает бонус – разработку дорожной карты внедрения решения! Ознакомиться с предложением можно на сайте – https://clck.ru/3BWEVk.