Система прогнозирования спроса и продаж для сетей, дистрибуции и производства

Компания теряет деньги на спросе двумя путями. Когда товара больше, чем купят, он лежит на складе, замораживает оборотные деньги и уходит в списание. Когда меньше, клиент уходит к конкуренту, а в ресторане блюдо попадает в стоп-лист. Обе ошибки рождаются в одном месте: заказ поставщику или план выпуска считают по прошлому месяцу и опыту закупщика. Мы строим систему прогнозирования спроса, которая считает продажи по каждой позиции и сразу переводит их в решение.

Какие задачи решает система

Мы работаем с компаниями, у которых много позиций и регулярные закупки или выпуск: розничные и ресторанные сети, дистрибьюторы с несколькими складами, пищевые и другие производства, где план выпуска зависит от продаж.

Типичные задачи, с которыми приходят:

• Списания и просрочка. Скоропортящиеся товары, заготовки на кухне, продукция с коротким сроком годности.
• Дефицит ходовых позиций. Товар закончился в пятницу, а поставка в понедельник.
• Лишний запас. На складах лежит то, что продается медленно, а на закупку нужного не хватает денег.
• Ручная закупка. Закупщик тратит часы на таблицы, и качество заказа зависит от того, кто сегодня на смене.
• Разрыв между продажами и производством. Цех выпускает по плану прошлого месяца, а спрос уже сместился.

Методы прогнозирования, способы мерить точность и пример расчета эффекта подробно разобраны в статье про прогнозирование спроса. Здесь расскажем, что именно мы делаем и как проходит проект.

Как устроена система прогнозирования спроса

Система состоит из нескольких слоев, и модель прогноза только один из них.

Данные. Продажи по дням, позициям и точкам, остатки, поставки, акции, цены. Важно отделить настоящий спрос от продаж: если товара не было на полке, нулевые продажи не значат, что его никто не хотел. Эти дни мы помечаем и восстанавливаем спрос, иначе модель научится прогнозировать дефицит.

Внешние факторы. Подбираем под бизнес: погода, праздники и выходные, школьные каникулы, промо, сезон, для ресторанов отзывы о конкретной точке. Каждый фактор проверяем на истории и оставляем только те, что улучшают точность.

Модель. Выбираем метод под данные: для стабильных позиций хватает простых моделей с сезонностью, для широкого ассортимента с множеством факторов работают градиентный бустинг и нейросети. Сложность не цель, цель точность в рублях.

Решение. Из прогноза система считает то, что нужно бизнесу: заказ поставщику с учетом срока поставки, страхового запаса, кратности и минимальной партии; перемещения между складами; заготовки по сменам; план выпуска для производства. Если план выпуска упирается в переналадки и мощности, подключаем систему планирования производства.

Контроль. Закупщик видит прогноз и может его поправить, каждая правка фиксируется с причиной. Отчет о точности показываем не в процентах ошибки, а в рублях: сколько списаний и упущенных продаж стало меньше.

С какими системами интегрируем

Прогноз должен приходить туда, где человек принимает решение. Поэтому мы не заставляем закупщика открывать отдельную программу.

Если обмена с учетной системой нет, начинаем с регулярной выгрузки, а интеграцию делаем, когда пилот покажет эффект.

Наш опыт: прогноз продаж блюд для сети ресторанов

Для сети ресторанов мы построили систему прогноза продаж каждого блюда. До проекта кухня закупала продукты и готовила заготовки по опыту шеф-поваров: в спокойные дни часть заготовок уходила в отходы, в загруженные блюда заканчивались.

Модель учится на истории продаж за 3 года и учитывает погоду, праздники и отзывы в интернете. Прогноз считается по блюдам, а из него кухня получает закупку продуктов и объем заготовок.

Результат: точность прогноза 90%+, пищевых отходов на 20% меньше. Проект от старта до работы занял 6,5 месяца, и большая часть времени ушла не на алгоритм, а на данные и процесс: свести продажи по блюдам, учесть изменения меню и встроить прогноз в ежедневную работу кухни.

Та же логика переносится на другие отрасли. В рознице вместо блюд товары с коротким сроком годности, в дистрибуции позиции на складах, на производстве партии продукции. Как ИИ работает в общепите целиком, рассказываем на странице ИИ для ресторанов.

Как проходит проект

1. Бесплатный разбор, 30-40 минут. Разбираем, как сейчас считается закупка или план, где теряются деньги, какие данные есть.
2. Аудит данных. Смотрим выгрузку продаж и остатков, проверяем глубину истории, дефициты, изменения ассортимента. Говорим, какой точности можно ждать.
3. Расчет эффекта. Считаем текущие списания, дефицит и запас в рублях и целевой эффект. Если эффект меньше стоимости проекта, говорим об этом до старта.
4. Пилот на одном направлении. Одна категория, один склад или группа точек. Строим модель, проверяем ее на прошлых периодах, настраиваем расчет заказа.
5. Работа на факте. Закупка идет по прогнозу, мы сравниваем результат с прошлым годом и с ручным методом.
6. Масштабирование. Подключаем остальные категории и точки, автоматизируем обмен с учетной системой.

Срок фиксируем после разбора: он зависит от состояния данных, числа систем и того, сколько направлений входит в пилот.

Когда система прогнозирования не нужна

Мы не беремся за проект, если он не окупится, и говорим об этом на разборе. Система прогнозирования спроса почти не дает эффекта в трех случаях.

• Мало позиций и стабильный спрос. Если ассортимент из десятка товаров продается ровно, хватит простой таблицы с сезонными коэффициентами.
• Закупка определяется не спросом. Когда объем задает контракт, квота или минимальная партия поставщика, прогноз мало что меняет.
• Нет истории продаж. Новый бизнес или полностью обновленный ассортимент: модели не на чем учиться. В этом случае сначала настраиваем сбор данных, а прогноз ставим позже.

Во всех остальных случаях эффект считаем до старта: берем списания, дефицит и средний запас за год в рублях и оцениваем, какую часть из них можно вернуть на одном направлении. Если цифра меньше стоимости пилота, честно советуем начать с другой задачи.

Сколько стоит

Разбор процесса 30-40 минут бесплатно. Пилот от 300 000 ₽. Точную цену фиксируем после разбора, она зависит от числа систем, из которых берем данные, числа позиций и точек и того, нужен ли только прогноз или еще расчет заказа и плана выпуска.

Мы работаем под NDA. Если в данных есть персональные сведения, обезличиваем их до обработки, а при необходимости разворачиваем модели на сервере в контуре заказчика.