Автоматизация прогнозирования клиентских заказов. Как это сделано

Сразу оговорюсь, что в данном материале не обошлось без технической терминологии, так что тем, кому тема интересна, но они не имеют технического образования, надо держать Google под рукой))

Сперва стоит сказать, что умение «заглянуть в будущее», предугадать поведение рынка, спрогнозировать клиентский спрос нужно и для планирования своих производственных ресурсов (люди, оборудование), и для закупок сырья и упаковочных материалов. Ну и для удовлетворения клиентского спроса, конечно. Особенно это актуально, если производственный цикл явно превышает срок исполнения заказов клиентов с момента их получения.

При этом у большинства производственных компаний сектора FMCG процесс прогнозирования заказов основан на отдельных сотрудниках-планеристах и их практически неаудируемых моделях прогнозирования в Excel. Такие производители вынуждены доверять врожденному таланту этих планеристов, их интуиции или даже можно сказать магии этого процесса прогнозирования))

С этого примерно и началась история проекта, когда наша компания занялась разработкой инструмента для повышения точности и скорости построения прогнозов заказов клиентов на продукты питания, в конце которой необходимый инструмент и был разработан на платформе «1С».

Сперва опишем основные сложности процесса прогнозирования заказов:

1. Большой объем данных.

// По статистке чтобы хорошему аналитику сделать качественный прогноз (+/- 10% отклонение прогноза от факта) по одной позиции продукции может потребоваться до одного рабочего дня. А если позиций - 100? А если 1 000? А если нужно прогнозировать по нескольким каналам продаж? А если у предприятия несколько складов отгрузки?

2. Устаревание модели.

// Можно корректно посчитать прогноз за 1 день по 1 позиции, и этот прогноз будет хорошо работать несколько месяцев.. А потом по какой-то причине прогноз стал работать все хуже и хуже, т.к. данная модель более не соответствует текущим реальностям.

Для решения этих сложностей (но не их одних) как раз и нужен автоматизированный инструмент прогнозирования заказов клиентов, который поможет обрабатывать большой объем данных и повышать точность прогноза, применяя базовые математические алгоритмы прогнозирования.

!!! Обратим внимание - именно прогнозирования, а не планирования. И именно заказов, а не продаж или отгрузок.

Мы считаем важным умение предсказать желание клиента в определенный день купить конкретный объем конкретной продукции. Отгрузки и продажи - это уже следствие данного прогноза. Прогнозирование в пищевом производстве в первую очередь нужно для подготовки к продажам.

// Ведь чтобы отгрузить фуру продукции послезавтра, нужно запланировать производство уже сегодня, а заказ поступит от клиента только завтра.

Для примера покажем - как все это выглядит в «1С»:

В детали разработки автоматизированного инструмента прогнозирования погружаться не будем, опишем только кратко – что получилось в итоге и какие есть особенности у этого инструмента прогнозирования:

1.На основании исходных данных клиента можно настроить по своему желанию горизонт прогнозирования и глубину истории заказов для прогнозирования.

// Чем стабильнее продажи, тем длиннее надо брать историю, а если продажи, наоборот, меняются часто - то историю нужно укорачивать. Часто прогноз на основе 3-х последних месяцев дает более точные результаты, чем на основе 3х последних лет. Наш инструмент позволяет это делать.

2.Можно прогнозировать заказы в разных разрезах

// Доступные разрезы - номенклатура, номенклатура + каналы продаж + склады отгрузки, товарные категории или SKU внутри одной категории.

3. Для повышения точности прогноза создана функция очистки истории продаж.

// На прогноз негативно влияют различные форс-мажоры или непредвиденные ситуации. Например, клиент сделал большую тестовую закупку и принял решение больше у нас не закупать. Печально, но нужно эту закупку убрать из истории, чтобы она не увеличивала прогноз. А может, наоборот, клиент принял решение продолжить покупки - тогда нужно скорректировать историю так, будто он у нас давно покупает. Тогда прогноз построится с учетом нового клиента. Или у клиента случился форс-мажор, и он ничего не покупал, но будет это делать - это тоже нужно скорректировать.

4. Доступны к учету различные способы учета сезонности спроса у клиентов

// Можно учитывать количество рабочих дней в месяце, сезонность по месяцам/декадам/неделям, по дням недели и по дням месяца.

5. При прогнозировании учитываются маркетинговые активности.

// Акционные продажи могут дать серьезный вклад в общий объем продаж. Но именно поэтому их приросты к регулярным продажам надо, во-первых, вычищать из истории продаж для получения средних отгрузок. А, во-вторых, понимать – какие приросты по каким контрагентам и каким номенклатурам будут происходить по промо-активностям будущего периода. Автоматизированно это делать существенно проще и точнее, чем руками в Excel.

6. В инструменте реализованы четыре модели прогнозирования:

1) «Среднее» - берется среднее количество по истории

2). «Аппроксимация» - подбирается аппроксимирующая функция из 4х - линейная, квадратичная, логарифмическая, экспоненциальная.

3) «Наивная» - основано на предположении, что предыдущее значение лучше всего предсказывает будущее.

// Берется конкретная дата с учетом сезонности (если прогнозируем пятницу, то берется предыдущая пятница, для месяца это может быть этот же месяц год назад)

4) «Холта-Винтерса» - используется для прогнозирования временных рядов, когда в структуре данных есть сложившийся тренд и сезонность.

7. Создан механизм подбора оптимальных гиперпараметров.

// Часто при прогнозировании аналитику сложно определить наиболее оптимальную модель прогноза и ее параметры. Для этого в нашем инструменте создан механизм подбора оптимальных гиперпараметров - выбираем модель, выбираем варианты гиперпараметров для нашего сценария, чуть-чуть ждем и получаем наиболее точный результат

8. Есть рейтинг моделей прогнозирования.

// Для каждого сценария мы получили несколько моделей прогнозирования. Их может быть 2, 3, 50. Для разных SKU в разные моменты времени наиболее подходящей может быть одна или другая модель. Наша система сама на фактическим данным проверит - какая модель дает наилучший результат и составит по каждой позиции свой рейтинг. Таким образом система всегда использует наилучшую модель.

9. Настроены веса моделей.

// Для улучшения точности прогноза разные модели можно сочетать. Для этого есть отдельный справочник «Веса». Это позволяет улучшить точность прогноза, когда разные модели ошибаются по чуть-чуть в разные стороны.

10. Полностью фоновые процессы.

// Стоит один раз настроить в инструменте сценарии и модели - дальше они сами будут обновляться, формировать рейтинг моделей, по нему отбирать лучшую модель, строить прогноз и помещать эти данные на регистр. С этого регистра данные можно использовать в других подсистемах своей корпоративной системы на «1С».

Что можно сказать в завершение? Да, автоматизированный инструмент не претендует на то, чтобы забрать звание главного провидца у осьминога Пауля)) Однако это ПО, которое в разы снижает вероятность человеческой ошибки при обработке больших объемов данных и формировании прогнозов заказов клиентов. А с этими данными уже будет существенно проще планировать производственные ресурсы, сырье и упаковочные материалы, выработку готовых продуктов и, соответственно, повышать степень удовлетворения заказов клиентов.

Если ваше предприятие не может себе позволить работать по только фактическим заказам клиентов и есть интерес к тому, чтобы сделать процесс прогнозирования заказов более быстрым, аудируемым, управляемым и повысить его точность – обращайтесь, будем рады помочь.

Автор статьи - Юрий Бояршин, менеджер по работе с ключевыми клиентами компании "Константа"