BIG DATA — BIG TROUBLE. Проблемы прогнозирования спроса и продаж.

Ритейл как один из самых мобильных секторов экономики первым распробовал преимущества искусственного интеллекта: ему поручили анализировать товарные запасы и делать заказы. Сегодня в сетях уже пожинают плоды цифровизации. А что остальные?

Одна из главных задач производителей, дистрибьюторов и ритейлеров — точно спрогнозировать спрос, отрегулировать процесс заказа продукции. Когда у ритейлера десятки магазинов, тысячи наименований, определить вручную, какой товар и в каком количестве заказывать, крайне сложно. Переизбыток спровоцирует перезагрузку склада. Недостаточный заказ оставит полки пустыми. В ситуации перепроизводства или «перезакупки» товара его приходится распродавать по более низкой цене.

Вот она: недополученную прибыль.

Есть компании, которые давно для себя решили эту проблему.

Автоматизация в ритейл

Еще в 2011 году один томский ритейлер внедрил автоматизированную систему прогнозирования спроса и управления запасами. Система анализировала историю
продаж продукта, сезонность, всплески и спады покупательского спроса, сроки годности, поставщиков и другие показатели. На основе большого объема данных в компании создали прогноз продаж продукта на ближайшее время и автоматически сформировали оптимальный заказ.

На этапе внедрения компания ставила перед собой такие задачи, как повышение товарооборота, снижение товарных запасов; повышение заполняемости товарных полок, уменьшение процента списания товара, снижение затрат на процесс заказа, снижение процентных издержек, снижение роли человеческого фактора в процессе заказа. Эти цели были достигнуты, и по итогам проекта, товарные запасы снизились на 10%. Уровень сервиса и удовлетворенность клиентов наличием товара повысились в среднем с 90 до 95%. А в целом товарооборот ритейлера увеличился на 5%. Сейчас доля автоматического заказа товара в компании составляет уже 80%.

Компьютер заказывает товар гораздо точнее и эффективнее опытного товароведа.

Прогноз на успех

Еще одна мечта ритейлера — анализ эффективности промоакций. С помощью анализа данных можно решить и эту проблему. Берем в расчет большое количество параметров: товар, тип акции (простая скидка, «три по цене двух», купоны и т.д.), глубина скидки, время, география и период проведения, местоположение конкретных магазинов и другие, строим прогноз успеха. Если акция проводится впервые и собственных данных ритейлера для оценки недостаточно, берутся аналогичные промоактивности в том же регионе, для той же товарной группы, с другой глубиной скидки.

Востребованность решений в области планирования промоакций и прогнозирования их эффективности сегодня растет: ритейл наращивает количество промоактивностей, использует их как базовый инструмент борьбы за клиента. Производителю и ритейлеру очень важно четко просчитать спрос в период проведения промокомпании. Если ее не спланировать, вопреки ожиданиям она принесет убытки вместо прибыли.

Что еще может big data? Обработку информации от операторов фискальных данных (ОФД). По чекам, пробитым в магазине, можно будет анализировать потребительскую корзину, выявлять категории товаров, которые чаще всего покупают вместе, определять производительность труда кассиров и другие данные. Располагая такой аналитикой, ритейлер сможет оптимизировать выкладку товара в магазине, предсказывать загруженность касс, составлять график смен сотрудников — возможностей для ее использования множество. И это будет следующий шаг к цифровизации многих процессов, но мы задаемся вопросом: а готов ли рынок работать с продуктом, использовать искусственный интеллект на 100%?

На что надежда?

Бизнес-аналитика за последние годы совершила качественный скачок вперед: на смену простым подсчетам в excel приходят новейшие технологии машинного обучения и предиктивной аналитики на основе больших данных. Можно привести сотни удачных примеров, успешных внедрений. Впрочем, создатели интеллектуальных решений констатируют, что российский бизнес не готов работать с предиктивной бизнес-аналитикой. Компании возлагают на big data огромные надежды, но при этом не заботятся о том, чтобы нанять специалистов, которые могли бы эффективно использовать полученные с помощью анализа данные.

Искусственный интеллект — это не волшебная палочка. Недостаточно просто загрузить данные в компьютер и ждать, пока система выдаст ответы на все вопросы. Мало купить IT-решение или платформу. Не менее важны компетенции и опыт людей, которые будут готовить данные, настраивать алгоритмический аппарат.

Необходимы специалисты для «толкования» результатов и использования их в бизнесе. Обычный пользователь не может понятьлогику работы алгоритма и то, какое влияние те или иные параметры оказывают на итоговый результат (прогноз).

А значит, он не может управлять процессом.

Кто-то должен в компании собрать «исторические» данные о продажах товара и схожих промоакциях в прошлом, чтобы был предмет для анализа. Удивительно, но даже крупнейшие российские компании и отделения мировых гигантов далеко не всегда корректно управляют содержимым своих информационных систем.

Проекты по управлению мастер-данными (master data management) очень важны, ими, безусловно, стоит заняться, прежде чем приступать к решению задач, связанных с прогнозированием. Это трудоемкая предварительная работа, но без нее не будет результата. Волшебной «красной кнопки», при нажатии на которую без всякой подготовки получаются точные прогнозы, нет ни у кого и, к сожалению, в обозримом будущем не будет.

Источник: Бизнес-журнал от 19 марта 2019 года.