Снижение затрат на персонал до 15%: как автоматизация помогает прийти к быстрому результату

Фото: panuwat phimpha/Shutterstock/Fotodom

Розничные сети уже давно внедряют сервисы для автоматизации планирования и управления линейным персоналом. Такие решения использует подавляющее большинство ритейлеров на российском рынке. Кроме снижения затрат на персонал (по данным Verme – до 15%), автоматизация приводит к росту продаж (благодаря оптимальному покрытию пиков трафика).

Данные для планирования графиков персонала

Основой для построения графика для персонала является прогнозирование бизнес-драйверов: количества покупателей, чеков, продаж и т.д. Чем точнее прогноз, тем оптимальнее будет график.

Идеальная ситуация – когда данные полные и предсказуемые. Но в реальности ритейл сталкивается с двумя проблемами:

1. Неполные данные: пропуски, аномалии, отсутствие истории для новых магазинов.

2. Сложные колебания: сезонность, влияние праздников, которые невозможно учесть простыми методами.

Verme справляется с этими проблемами за счет комплексного подхода. «Мы не просто запускаем эвристический алгоритм, а выстраиваем целый конвейер обработки данных, который компенсирует пробелы и выявляет скрытые закономерности», – прокомментировала Елена Шелястина, руководитель направления аналитики Verme.

Расскажем, как устроен процессе прогнозирования, а также остановимся на одной небольшой задаче, решаемой в ходе подготовки прогноза.

Процесс прогнозирования: от сырых данных до бизнес-результата

Процесс прогнозирования на платформе Verme выполняется в три этапа: предварительная обработка (препроцессинг), моделирование и завершающая обработка (постпроцессинг).

1. Препроцессинг: подготовка данных к анализу

Этот этап критически важен для преобразования исторических данных в очищенный и обогащенный набор для обучения моделей. Именно здесь решается проблема неполноты и аномалий.

Первичная проверка: система автоматически проверяет каждый временной ряд на пригодность для прогнозирования: достаточно ли данных, есть ли пропуски или аномалии.

Коррекция и обогащение: на этом шаге данные «лечатся»: заполнение пропусков происходит не случайными значениями, а на основе поведения ряда в аналогичные периоды прошлого (например, в тот же день недели).

Коррекция аномалий: выбросы заменяются на статистически обоснованные значения.

Генерация признаков: чтобы модель понимала контекст, создаются дополнительные переменные. Например, указывается день недели, выделяется тренд за последние две недели или добавляется значение показателя за тот же день неделей ранее.

На выходе получаются не просто очищенные данные, а мощный набор информации, готовый для построения точных прогнозов даже там, где изначально были пробелы.

2. Моделирование: ансамблирование для максимальной точности

В Verme не полагаются на одну модель, а используют ансамбль нескольких алгоритмов. Это похоже на работу команды экспертов: каждое решение проверяется и взвешивается, чтобы найти самое верное.

Валидация: модели тестируются на последних известных данных, имитируя реальное прогнозирование.

Стекинг (Stacking): обученные модели объединяются с помощью «арбитра», который учится определять, какая из моделей или их комбинация дает наилучший результат в конкретной ситуации.

3. Постпроцессинг: приведение прогноза к бизнес-логике

Математический прогноз может быть точен, но нереалистичен. Финальный этап — это «здравый смысл». Прогнозы корректируются в даты праздников, сглаживаются неправдоподобные резкие изменения, а также исключаются отрицательные значения (если это требуется).

На выходе формируется прогноз, который не только точен статистически, но и корректен с точки зрения бизнес-реалий.

Ниже представлены два примера реальных временных рядов. Обратите внимание на годовую периодичность поведения (например, два годовых пика – повышение активности покупателей перед новых годом) на первой картинке и устойчивое повышение количества продаж по выходным на второй картинке (в будни продажи ниже, чем в выходные).

Источник: Verme

Наиболее часто в качестве бизнес-драйверов используются: количество покупателей – трафик, количество чеков, сканов (сумма товарных позиций в чеке) или проданных товаров различных категорий.

Прогнозирование в Verme — это не просто алгоритм, а комплексный инженерный процесс, который решает реальные бизнес-проблемы. Работа начинается с «реанимации» и обогащения данных, используются ансамбли моделей. Все это дает гарантию, что итоговый прогноз будет не только статистически точным, но и осмысленным с точки зрения бизнеса.

Результат для ритейлера

В итоге розничная сеть получает:

• снижение затрат на персонал до 15% за счет исключения перерасхода на зарплаты;

• рост продаж благодаря оптимальному покрытию пиков трафика;

• полную автоматизацию планирования для всей сети магазинов без ручных корректировок.

В статье затронуты ключевые аспекты подхода Verme, включая решение одной из сложных задач — прогнозирования при нехватке данных. Однако на этом возможности не заканчиваются. 

Больше о технических деталях реализации прогнозирования на основе данных с нехватками признаков — в блоге Verme.

Retail.ru