Jak wykorzystać AI do prognozowania sezonowego popytu?

Problem zaczyna się wtedy, gdy sprzedaż rośnie, zmieniają się ceny, pojawiają się promocje, pogoda jest inna niż rok wcześniej albo część produktów została wprowadzona dopiero kilka miesięcy temu.

Wtedy proste porównanie „maj do maja” przestaje wystarczać.

AI i modele uczenia maszynowego mogą analizować jednocześnie znacznie więcej zależności: historię sprzedaży, dni tygodnia, święta, ceny, promocje, pogodę, lokalizację, dostępność produktów czy zachowanie poszczególnych grup asortymentowych. Nie chodzi jednak o to, żeby sztuczna inteligencja „zgadła przyszłość”. Jej przewaga polega przede wszystkim na szybszym wykrywaniu wzorców, których człowiek nie byłby w stanie regularnie analizować dla kilku tysięcy produktów.

Sama historia sprzedaży to za mało

Podstawą prognozy nadal pozostają dane historyczne.

Dla każdego produktu dobrze mieć przynajmniej informacje o:

dacie sprzedaży,

liczbie sprzedanych sztuk,

cenie,

promocjach,

lokalizacji lub kanale sprzedaży,

stanie magazynowym.

Im dłuższa historia, tym łatwiej wykrywać sezonowość. Przy produktach silnie sezonowych dobrze mieć dane z co najmniej dwóch lub trzech pełnych sezonów.

Nie oznacza to jednak, że model nie może działać na krótszej historii. Trzeba tylko ostrożniej traktować wynik.

Jeżeli sklep sprzedał w lipcu poprzedniego roku 800 basenów, AI może zauważyć, że w czerwcu sprzedaż zaczęła gwałtownie rosnąć, osiągnęła szczyt w lipcu, a od sierpnia szybko spadała.

Ale to nadal tylko część obrazu.

Jeżeli w tamtym roku lipiec był wyjątkowo gorący, a obecnie prognozowane są chłodne i deszczowe tygodnie, powtórzenie zeszłorocznego wyniku nie jest oczywiste.

Pogoda potrafi zmienić prognozę bardziej niż historia

W części branż dane pogodowe są jednym z najważniejszych dodatkowych sygnałów.

Dotyczy to między innymi:

basenów i akcesoriów ogrodowych,

klimatyzatorów i wentylatorów,

odzieży sezonowej,

opon,

sprzętu sportowego,

produktów turystycznych,

artykułów związanych z ogrzewaniem.

Model może łączyć sprzedaż z temperaturą, opadami czy konkretnymi warunkami występującymi w danym regionie.

Załóżmy, że przez trzy ostatnie lata sprzedaż wentylatorów gwałtownie rosła, gdy temperatura przekraczała 27°C.

Jeżeli prognoza pogody zapowiada falę upałów, model może zwiększyć przewidywany popyt jeszcze zanim wzrost pojawi się w bieżącej sprzedaży.

To znacznie bardziej użyteczne niż reakcja dopiero w momencie, gdy magazyn zaczyna się opróżniać.

Dane pogodowe nie poprawiają jednak każdej prognozy. Przy produktach niezależnych od pogody mogą być zwykłym szumem. Dobre modele powinny oceniać, czy dodatkowa zmienna rzeczywiście poprawia wynik.

Promocję trzeba oddzielić od naturalnego popytu

Jednym z częstszych błędów jest potraktowanie sprzedaży promocyjnej jako normalnego popytu.

Przykład:

produkt sprzedaje się zwykle po 30 sztuk tygodniowo.

Podczas dużej promocji sprzedano:

140 sztuk.

Jeżeli model otrzyma wyłącznie informację o sprzedaży, może uznać ten skok za element trendu lub sezonowości.

Dlatego dane powinny zawierać również informację, kiedy produkt był objęty promocją i jaka była jego cena.

AI może wtedy nauczyć się zależności:

normalna sprzedaż – około 30 sztuk,

promocja -10% – około 45 sztuk,

promocja -25% – około 100 sztuk.

Przy planowaniu kolejnej kampanii można później stworzyć scenariusz:

„co stanie się z popytem, jeśli w czerwcu obniżymy cenę o 15%?”

Prognoza przestaje być wtedy jedną liczbą. Staje się narzędziem do porównywania wariantów.

Brak sprzedaży nie zawsze oznacza brak zainteresowania

To bardzo ważny problem przy uczeniu modeli na danych magazynowych.

Załóżmy, że produkt sprzedawał się po 20 sztuk dziennie.

Następnie magazyn się wyczerpał i przez siedem dni sprzedaż wynosiła:

0, 0, 0, 0, 0, 0, 0.

Jeżeli model widzi wyłącznie dane sprzedażowe, może dojść do wniosku, że popyt gwałtownie spadł.

W rzeczywistości klienci nadal mogli chcieć kupić produkt. Towaru po prostu nie było.

Dlatego w prognozowaniu warto uwzględniać historię stanów magazynowych.

Dzięki temu okres niedostępności można odróżnić od prawdziwego spadku zainteresowania.

Jeszcze lepiej, jeśli firma posiada również dane o liczbie wyświetleń produktu, dodaniach do koszyka czy wyszukiwaniach. Duże zainteresowanie produktem przy zerowym stanie może wskazywać na utraconą sprzedaż, której sama historia faktur nigdy nie pokaże.

Produkty trzeba prognozować osobno, ale nie całkiem niezależnie

W dużym katalogu nie każdy produkt posiada wystarczająco długą historię.

Nowy model grilla może być dostępny dopiero od dwóch miesięcy. Nie ma więc danych pokazujących, jak sprzedawał się w poprzednim sezonie.

AI może w takiej sytuacji wykorzystywać informacje o podobnych produktach.

Jeżeli nowy grill:

należy do tej samej kategorii,

ma podobną cenę,

zbliżone parametry,

tego samego producenta,

i zastępuje starszy model,

historia podobnych produktów może być użyta do przygotowania pierwszej prognozy.

Ma to duże znaczenie w branżach, w których modele regularnie są zastępowane nowszymi wersjami.

Nie ma sensu czekać dwa lata tylko po to, żeby nowy produkt zebrał własną historię.

Sezonowość nie zawsze oznacza ten sam miesiąc

Niektóre wzorce są proste.

Choinki sprzedają się przede wszystkim przed Bożym Narodzeniem. Artykuły szkolne przed rozpoczęciem roku szkolnego. Baseny głównie w cieplejszej części roku.

Inne zależą od wydarzeń, które nie przypadają zawsze dokładnie tego samego dnia.

Wielkanoc zmienia datę. Długi weekend może mieć różny układ. Black Friday wypada w konkretny dzień tygodnia, a warunki pogodowe dodatkowo zmieniają zachowanie klientów.

Dlatego dobry model nie powinien uczyć się tylko:

„w 15. tygodniu roku sprzedaż rośnie”.

Powinien również znać kalendarz wydarzeń.

Podobnie z dniami tygodnia.

Sklep może mieć znacznie większą sprzedaż w poniedziałki niż w soboty. Restauracja może działać dokładnie odwrotnie. Te regularne wzorce również są formą sezonowości i mogą być wykrywane automatycznie.

Prognoza powinna być przedziałem, a nie jedną liczbą

Jeżeli system podaje:

„w przyszłym tygodniu sprzedasz dokładnie 317 sztuk”,

wynik wygląda precyzyjnie, ale daje fałszywe poczucie pewności.

Znacznie bardziej praktyczna prognoza może wyglądać tak:

najbardziej prawdopodobna sprzedaż: 320 sztuk,

bezpieczny dolny zakres: 270,

górny zakres: 390.

Dzięki temu osoba odpowiedzialna za zakupy może zdecydować, jak duże ryzyko braku towaru jest w stanie zaakceptować.

Przy tanim produkcie z krótkim terminem dostawy można zamówić ostrożniej.

Przy produkcie sezonowym sprowadzanym przez dwa miesiące z Azji brak zapasu w szczycie sezonu może oznaczać utratę całej sprzedaży. Firma może więc celowo zamówić ilość bliższą górnej granicy prognozy.

AI nie podejmuje tutaj decyzji za przedsiębiorcę. Dostarcza zakres, na podstawie którego można świadomie zdecydować o zapasie.

Liczy się nie tylko popyt, ale też czas dostawy

Prognoza sprzedaży 1000 sztuk w lipcu sama w sobie nie odpowiada na pytanie, ile trzeba dzisiaj zamówić.

Trzeba jeszcze wiedzieć, kiedy pojawi się następna dostawa.

Jeżeli producent dostarcza towar w trzy dni, magazyn może być stosunkowo niewielki.

Jeżeli dostawa zajmuje trzy miesiące, zamówienia muszą być składane na długo przed rozpoczęciem sezonu.

Dlatego praktyczny system powinien łączyć prognozę popytu z:

aktualnym stanem,

towarem już zamówionym,

czasem dostawy,

minimalną partią zamówienia,

zapasem bezpieczeństwa.

Dopiero wtedy może powstać rekomendacja:

„zamów 480 sztuk do 15 kwietnia”.

Sama informacja, że sprzedaż prawdopodobnie wzrośnie w maju, ma znacznie mniejszą wartość.

AI może działać nawet przy tysiącach produktów

Ręczne prognozowanie jest możliwe dla kilku najważniejszych pozycji.

Przy 10 000 SKU staje się praktycznie niewykonalne.

W tym miejscu automatyczne modele dają największą przewagę.

System może codziennie przeliczać prognozę oddzielnie dla tysięcy produktów i lokalizacji, a pracownikowi pokazywać tylko wyjątki:

produkt prawdopodobnie skończy się za 12 dni,

sprzedaż jest znacznie większa od prognozy,

prognozowany popyt nagle wzrósł,

magazyn ma zbyt dużo towaru względem przewidywanej sprzedaży.

Człowiek nie musi więc oglądać każdego produktu.

Skupia się na tych pozycjach, przy których trzeba podjąć decyzję.

Nie zaczynaj od najbardziej skomplikowanego modelu

Firma nie musi od razu wdrażać rozbudowanej platformy machine learning.

Na początek można przygotować prostą prognozę dla kilkudziesięciu najważniejszych produktów i porównać ją z rzeczywistą sprzedażą.

Najważniejsze jest regularne sprawdzanie błędu prognozy.

Jeżeli system przewidywał 500 sztuk, a sprzedano 510, wynik jest bardzo dobry.

Jeżeli prognoza mówiła o 500, a sprzedaż wyniosła 180, trzeba sprawdzić dlaczego.

Być może:

zmieniła się cena,

konkurent rozpoczął promocję,

produkt był niedostępny,

zmieniła się pogoda,

kampania reklamowa została wyłączona,

produkt zbliża się do końca swojego cyklu życia.

Taka analiza jest często bardziej wartościowa niż samo wdrażanie kolejnego, bardziej zaawansowanego algorytmu.

Model trzeba również testować na danych historycznych. Można przykładowo ukryć przed nim ostatnie trzy miesiące danych i sprawdzić, jak dobrze przewidziałby sprzedaż, gdyby rzeczywiście działał wtedy.

To pozwala porównywać różne metody bez czekania kolejnego roku na wyniki.

Najlepsze prognozy powstają wtedy, gdy połączy się kilka źródeł

W praktyce AI do prognozowania sezonowego popytu może korzystać jednocześnie z:

historii sprzedaży,

cen,

promocji,

kalendarza,

pogody,

dostępności produktów,

danych reklamowych,

ruchu na stronie,

lokalizacji,

cech produktu,

historii podobnych produktów.

Nie oznacza to, że trzeba od pierwszego dnia zbierać wszystko.

Najlepiej zacząć od danych, które firma już posiada: sprzedaży, produktu, ceny, stanów magazynowych i kalendarza. Następnie sprawdzać, czy dodanie kolejnego źródła rzeczywiście zmniejsza błąd prognozy.

AI ma największy sens nie wtedy, gdy tworzy efektowny wykres przyszłej sprzedaży, ale wtedy, gdy na jego podstawie można podjąć konkretną decyzję.

Czy zwiększyć zamówienie przed sezonem?

Czy przesunąć zapas pomiędzy magazynami?

Czy przecenić produkt, którego zostało za dużo?

Czy zamówić wcześniej towar z długim terminem dostawy?

Jeżeli prognoza prowadzi do takich decyzji, zaczyna realnie wpływać na magazyn i wynik finansowy. Jeśli kończy się wyłącznie na wykresie pokazującym, że „latem sprzedaż będzie większa”, nawet najbardziej zaawansowany model niewiele zmienia.