ООО «БСХ Бытовые Приборы» – российская дочерняя компания немецкого концерна BSH Hausgeräte GmbH, производителя бытовой техники под брендами Bosch, Siemens, Gaggenau и Neff – внедрила новые методы прогнозирования продаж, расчета стоков и планирования промоакций. Они основаны на прогнозных моделях, разработанных российской компанией GoodsForecast с применением технологий машинного обучения.
Для БСХ было создано автоматизированное решение по прогнозированию спроса с помощью машинных алгоритмов, которое позволило упростить процесс планирования товаров категории B и С с невысоким уровнем продаж.
«Автоматический прогноз сэкономил нам время на решение задач, стоящих перед специалистами отдела планирования, – говорит руководитель проектов БСХ Россия Павел Соболев. – Важным фактором является то, что в компании уже успешно функционировала система прогнозирования спроса, и многие процессы были выстроены. Внедрять элементы машинного обучения без налаженного бизнес-процесса, на мой взгляд, бесполезно».
Также БСХ внедрила автоматизированный способ расчета оптимального уровня страхового запаса на складах (так называемого Safety Time). Этот параметр система определяет на основе волатильности качества поставок и предсказуемости продаж. Благодаря такому способу расчета страхового уровня стоков компания за время реализации проекта сократила запасы на складах примерно на 9% и стала точнее управлять оборачиваемостью и уровнем сервиса по разным группам товаров.
Если традиционно уровень страхового запаса рассчитывается по стандартной формуле Safety Stock, то есть в штуках, то в кейсе БСХ его заменили на Safety Time (исчисляется в днях). Это обеспечило ряд преимуществ: Safety Time не требует постоянной корректировки, так как, в отличие от Safety Stock, не зависит от сезона, его легче проверить, и он может быть усреднен для схожих товаров.
«Прежде этот параметр определяли на основании экспертных оценок, не зная точно, как его обосновать. Интуитивно понимали, что на тот или иной товар нужно заложить определенное количество дней, а почему и к каким результатам это приведет, было не всегда понятно», – отмечает Павел Соболев.
Анализ «больших данных» (Big Data) также помог БСХ сократить время на планирование и оценку промоакций – в среднем на 20-30 минут на каждую: разработанные GoodsForecast математические алгоритмы позволяют еще на этапе согласования промоакции автоматически рассчитать базовый уровень продаж, очищенный от эффекта промо. Эффект промоакции стало возможно оценивать как разницу между базовым уровнем и фактическим уровнем продаж.
БСХ продолжит применять методы машинного обучения, описанные кейсы – лишь первые шаги компании в этом направлении.