Znaczenie prognozowania popytu w handlu detalicznym
Sektor detaliczny jest zróżnicowany i dynamiczny, z roku na rok branża wydaje się coraz bardziej rozwijać, niezależnie od koniunkturalnych cykli czy kosztów kapitałowych. Zapasy są największą inwestycją detalisty. Konkurenci prześcigają się w dostępie do nowych możliwości i wykorzystaniu technologii w celu optymalizacji zapasów i magazynów. Detaliści zazwyczaj składają zamówienia na zapasy magazynowe na wiele miesięcy przed rozpoczęciem sprzedaży danego produktu. Koszty związane z zapasami wykraczają daleko poza płatności dla dostawców. Do tego dochodzą koszty związane z działalnością centrów dystrybucyjnych. Po sprowadzeniu zapasów produkt generuje koszty utrzymania, a także koszty związane z przestojami i cenami rozliczeniowymi. Ponadto zapasy blokują przepływ gotówki i pochłaniają przestrzeń magazynową, która mogłaby być zagospodarowana przez inne potencjalne produkty, co z kolei powoduje wzrost kosztów. Dlatego tak ważne jest wdrożenie najlepszych praktyk i realnie działających rozwiązań, które pozwolą zoptymalizować zapasy i zaoszczędzić pieniądze dzięki trafnemu prognozowaniu popytu detalicznego.
Ograniczenia w prognozowaniu popytu w erze cyfrowej transformacji
Tradycyjne prognozy detaliczne z trudem radzą sobie z tak dynamicznym rynkiem detalicznym. W przeszłości detaliści mogli ograniczyć prognozy SKU do najważniejszych towarów, zaś dla reszty asortymentu tworzyli prognozy obejmujące kategorie lub podkategorie. Ta strategia nie ma zastosowania w erze cyfrowej transformacji i dynamicznie zmieniającym się środowisku handlu detalicznego. W celu optymalizacji zapasów kupujący potrzebuje bardziej precyzyjnej wiedzy na temat zapotrzebowania na każdy produkt. Popyt różni się w zależności od jego pozycji w sklepie, pory roku, czy trendów panujących na rynku. Do tego dochodzi rosnąca potrzeba sprostania realiom wielokanałowej sprzedaży detalicznej.
Trafna prognoza pozwoliłaby rozwiązać większość tych problemów i obniżyć koszty. Mimo że rola dokładnych prognoz jest niezaprzeczalna, większość firm akceptuje nawet 20-40% błędnych obliczeń, co oznacza ogromny margines błędu związany z procesem prognozowania popytu oraz straty finansowe z tym związane.
W poniższym artykule przedstawiamy przyczyny takich sytuacji oraz proponujemy rozwiązanie, które bezpośrednio przekłada się na zauważalne oszczędności dla firm z każdego segmentu rynku.
Gotowe rozwiązania do prognozowania popytu
Istnieje wiele sposobów na wdrożenie prognozowania popytu w zależności od różnych czynników, takich jak obszar działalności czy wielkość firmy — nie wspominając już o programie Microsoft Excel. Niemniej, jeśli w organizacji jest już wdrożony system ERP (Enterprise Resource Planning), istnieje spora szansa, że prognozowanie odbywa się bezpośrednio w nim. Oczywiście, nie wszystkie typy popytu da się uwzględnić, biorąc pod uwagę brak konkretnych danych (na przykład: jeśli chcielibyśmy przewidzieć zapotrzebowanie na zużycie energii w magazynie, najprawdopodobniej nie znajdziemy odpowiednich informacji na ten temat w systemie ERP). Jednakże typowe wyzwania związane z prognozowaniem w zarządzaniu łańcuchem są rzeczywiście możliwe do zrealizowania.
Główni dostawcy, tacy jak SAP, Oracle ERP i Infor, już wzbogacili swoje rozwiązania o zestaw wstępnie skonfigurowanych funkcji, które pozwalają użytkownikom łatwo prognozować popyt – zazwyczaj bez konieczności posiadania rozległego zaplecza informatycznego lub zestawu umiejętności analizy danych. Systemy te nie są jednak w pełni rozwiniętymi platformami analitycznymi. W związku z tym musimy liczyć się z nieuniknionymi ograniczeniami, które się z nimi wiążą. Oznacza to, że korzystając z mechanizmu prognozowania opartego na ERP, mamy minimalną kontrolę nad operacjami matematycznymi i nie możemy wpływać na poprawę uzyskanych wyników. Raczej nie znajdziemy tu nic bardziej zaawansowanego niż klasyczne metody statystyczne, takie jak ARIMA czy regresja liniowa, co nie oznacza jednak, że tego typu modele są czymś złym przy prognozowaniu szeregów czasowych.
Nowoczesna metodologia prognozowania popytu
W rzeczywistości, tradycyjne techniki prognozowania nie są w stanie skutecznie sprostać dzisiejszym wymaganiom handlu detalicznego w zakresie przewidywania popytu. Dzięki zaawansowanym systemom analitycznym, które mogą wykorzystywać nowoczesne technologie, takie jak sztuczna inteligencja (AI), wszystkie zmienne, które wpływają na sprzedaż, mogą być również brane pod uwagę. TT PSC wykorzystuje własne algorytmy do oceny historii i wartości danych detalicznych. Zrozumienie rzeczywistego popytu historycznego może pomóc detalistom w zidentyfikowaniu obszarów charakteryzujących się niskim poziomem zapasów, ale także ich nadmierną ilością.
Mowa tu o namacalnych możliwościach budowania przewagi konkurencyjnej poprzez minimalizowanie braków i redukowanie nadwyżek magazynowych, a tym samym zwiększanie sprzedaży i zmniejszanie strat. Modele uczenia maszynowego (Machine Learning) są w stanie „nauczyć się” nowej rzeczywistości w ciągu dwóch tygodni, co przekłada się na zdolność do automatycznego reagowania na zmiany. Analiza statystyczna, uzupełniona wiedzą ekspercką, zapewnia przedsiębiorstwu nowe spojrzenie na bieżącą sytuację rynkową.
Tradycyjni sprzedawcy opracowują prognozy bazowe za pomocą modeli szeregów czasowych i wykorzystują dane historyczne jako podstawę do przewidywania przyszłego popytu. Prognoza ta bywa często korygowana przy użyciu symulacji przyczynowej lub poprzez ręczne wprowadzanie danych. Jednak dzisiejsze firmy rezygnują z przestarzałych metod prognozowania popytu na rzecz technologii wykorzystujących sztuczną inteligencję i uczenie maszynowe. Technologie te mogą wykorzystywać ogromną ilość danych historycznych i pełny potencjał mocy obliczeniowej dzisiejszych komputerów, co przekłada się na lepsze wyniki, zwłaszcza w dynamicznych środowiskach handlu detalicznego.
Drobne usprawnienia, duże oszczędności
W dobie transformacji cyfrowej sprzedawcy detaliczni stają przed wyzwaniem zarządzania coraz bardziej złożonymi łańcuchami dostaw i szybko zmieniającymi się zachowaniami oraz potrzebami klientów. W ostatnich latach prognozy popytu stały się kluczowe dla osiągnięcia sukcesu przez detalistów. Sprzedawcy detaliczni nie mogą już polegać na przestarzałych metodach prognozowania popytu. Sektor detaliczny potrzebuje szczegółowej prognozy popytu za każdym razem, gdy dostępny jest GMROI (marża brutto zwrotu z inwestycji) – to bardzo ważne z perspektywy sukcesu sprzedawców. Osiągnięcie wymiernych prognoz dotyczących poziomu sprzedaży wymaga zastosowania zaawansowanej platformy analitycznej do przewidywania popytu — zaprojektowanej z myślą o dynamicznym, cyfrowym świecie handlu.
Jak można poprawić skuteczność prognozowania w dużych sklepach detalicznych?
Wciąż jednak brak świadomości większości sklepów detalicznych o tym, że istniejące prognozy oparte na systemach ERP można udoskonalić, często prowadzi do błędnego przekonania, że firmy muszą przyjmować wyliczone prognozy za pewnik. Tymczasem nawet niewielkie zmiany mogą przynieść znaczące oszczędności budżetowe. Już samo obliczenie, ile powierzchni magazynowej można by zaoszczędzić, gdyby sprzedawcy mogli dokładnie przewidzieć popyt na swoje produkty, lub sposób na zoptymalizowanie marży zysku, gdyby tylko analitycy dysponowali precyzyjnym narzędziem do symulacji nadchodzących przychodów, skutkuje efektywniejszym planowaniem łańcucha dostaw. W rzeczywistości istnieje wiele obszarów biznesowych, w których prawidłowe prognozowanie może generować dodatkowe fundusze i poprawić płynność finansową każdej organizacji. Co więcej, obliczenie zwrotu z inwestycji jest stosunkowo prostym zadaniem, jeśli firma zdecyduje się na modernizację dotychczasowego sposobu prognozowania.
Inteligentne podejście do prognozowania popytu detalicznego
Najważniejsze pytanie na początku przygody z przewidywaniem popytu opartym na sztucznej inteligencji brzmi: jak osiągnąć poprawę dokładności prognozowania?
Na początku kluczowym krokiem dla organizacji jest zgoda i chęć wyjścia ze swojej strefy komfortu. Do tej pory bezpieczną przystanią były podstawowe narzędzia, które są im znane i których używają na co dzień do prognozowania swoich działań. Kolejnym krokiem jest decyzja o wdrożeniu w pełni dedykowanej, dostosowanej do potrzeb platformy analitycznej, naszym zdaniem — najlepiej w środowisku chmurowym. Istnieje wiele możliwości wyboru konkretnej technologii (na przykład Databricks lub SAS), lecz tu nasuwa się wniosek, że dzisiejsi dostawcy usług w chmurze (AWS, Azure lub GCP) nie tylko zapewniają dostęp do nieograniczonych i skalowalnych opcji przechowywania danych, ale także wprowadzają szereg narzędzi i możliwości upraszczających i wzbogacających przetwarzanie danych.
Podjęcie pierwszego kroku otwiera drzwi do nieograniczonych możliwości analizy danych, a firmy, które się na to zdecydują, nie muszą już ograniczać się do żadnych predefiniowanych typów modeli, technik czy określonej matematyki. Ponadto, co równie ważne, dane wejściowe do modeli predykcyjnych mogą pochodzić z dowolnego potencjalnego źródła danych. Przykładem mogą być systemy ERP, CRM, HR, czynniki zewnętrzne, nastroje, pogoda, czy inne wskaźniki związane z popytem. Dane te można łatwo uzyskać dzięki różnorodnym mechanizmom integracji dostępnym w rozwiązaniach opartych na sztucznej inteligencji (AI).
Maksymalizacja przetwarzania danych o stanach magazynowych
Kluczowym aspektem dokładnego prognozowania popytu jest wykorzystanie odpowiednich i wartościowych danych. Często surowe dane, nawet jeśli pochodzą z wielu źródeł, nie są najlepszym źródłem do budowy modeli prognozowania. Powszechnym krokiem — poza wyborem kluczowych, niezbędnych danych — jest wyodrębnienie z nich najistotniejszych cech z udziałem ekspertów z danej dziedziny (inżynieria cech). Wsparcie doświadczonych specjalistów, którzy przygotowują dane do dalszego przetwarzania, jest szalenie ważne w kontekście finalnej jakości prognoz. Nawet najlepsza metoda prognozowania może dać słabe wyniki, jeśli nie jest podparta rozsądnymi i jakościowymi informacjami.
Dokładne prognozowanie popytu oparte na uczeniu maszynowym i sztucznej inteligencji
Nowym trendem w doskonaleniu modeli prognostycznych jest wykorzystanie potencjału sztucznej inteligencji (AI) poprzez wdrożenie nieszablonowych typów modeli opartych na uczeniu maszynowym (Machine Learning). Wykorzystanie w prognozowaniu technik, takich jak sztuczne sieci neuronowe daje możliwość przeprowadzenia szerokiego zakresu eksperymentów. Wykorzystują je analitycy danych w celu przygotowania najdokładniejszego modelu prognozowania popytu dla danego przypadku. Biorąc pod uwagę rynek handlu detalicznego, AI i uczenie maszynowe nabierają coraz większego znaczenia w procesie prognozowania popytu. Nowe rozwiązania oferują niesamowite możliwości i pomagają detalistom przewidywać przyszłe zapotrzebowanie poprzez analizę historycznych trendów, aktualnych warunków rynkowych i zachowań konkurencji.
Detaliści muszą przewidywać popyt na swoje produkty, aby móc zaoszczędzić fundusze i zoptymalizować zapasy.
Obecnie wiele firm decyduje się na optymalizację sprzedaży detalicznej na podstawie danych, aby zwiększyć efektywność i rentowność. Platforma wdrożona w tzw. chmurze, pobieranie informacji z wielu źródeł, odpowiednie przygotowanie danych i wykorzystywanie uczenia maszynowego do modelowania predykcyjnego z pewnością pozwoli firmom poprawić dotychczasowe prognozy popytu, generując tym samym oszczędności.
Prognozowanie popytu jest kluczowym elementem każdego biznesu detalicznego. Detaliści mogą wykorzystać sztuczną inteligencję do prognozowania popytu na różnych poziomach stanów magazynowych i znaleźć najbardziej opłacalny sposób gospodarowania nimi. Rozwiązanie służące do prognozowania popytu w handlu detalicznym oparte na sztucznej inteligencji można również łatwo zintegrować z istniejącym już systemem ERP.
Dowiedz się, jak AI wpłynie na transformację prognozowania popytu w łańcuchu dostaw.
