Мы помогаем Вам быстрее принимать правильные решения

Demand Forecast – оптимизация складских запасов на платформе Deductor.

Назначение решения

Автоматизация всего цикла расчетов:

  • Очистка и загрузка данных
  • Построение прогнозных моделей
  • Расчет страховых запасов
  • Оптимальный заказ поставщику

 

Аналитическая платформа Deductor

  • Очистка данных
  • Прогнозирование
  • Оптимизация
  • Консолидация
  • Отчетность
  • Data Mining

 

Функционал решения

Deductor_Demand_Forecast1

Загрузка в хранилище данных

Deductor_Demand_Forecast2

Структура хранилища данных

Deductor_Demand_Forecast3

  • Продажи
  • Остатки
  • Товары
  • Товарные группы
  • Ассортиментная матрица
  • Аналоги
  • Поставщики
  • Филиалы/склады

 

 

Анализ ассортимента

Расчет показателей, влияющих на качество прогноза:

  • Класс новизны
  • Регулярность продаж
  • Сезонный спрос

Результаты анализа можно использовать как предварительную оценку прогнозируемости ассортимента:

  • новинки не прогнозируются
  • товары с непостоянным спросом с большой вероятностью будут плохо прогнозироваться.

 

Ассортимент: новизна

Deductor_Demand_Forecast4

Класс новизны:

Новинка ­­– товар, который только начинает продаваться, спрос на него еще не сформирован. Период формирования спроса на товар задается экспертами организации.

Непродаваемый – товар, который перестал продаваться. Период отсутствия продаж, товара после которого, он считается непродаваемым задается экспертами организации.

Продаваемый – товар, спрос на который уже сформировался.

 

Ассортимент: регулярность

Deductor_Demand_Forecast5Анализ ассортимента – классификация товара по его продажам.

Отвечает на вопрос постоянно ли продается товар в указанном временном интервале.

Непостоянный – товар, который покупается не каждый день.

Постоянный – товар, который покупается, почти каждый день или каждый день (в зависимости от заданной переменной).

Непродаваемый – товар, который не продавался за последний год.

Неизвестный – товар, имеющий статус «новинка» и продающийся всего один раз.

 

Ассортимент: сезонность

Deductor_Demand_Forecast6Анализ ассортимента – классификация товара по его продажам. Товар признается сезонным если имеет повторяющиеся сезонные всплески продажах.

Сезонный ­­– товар, который только имеет повторяющиеся сезонные всплески продаж относительно среднегодовых продаж.

Несезонный – товар, который не имеет повторяющихся сезонных всплесков в продажах.

 

Восстановление спроса

Дефицит – ситуация, когда количество товара доступного для продажи меньше необходимого или равна нулю. Спрос восстанавливается только по дням.

Deductor_Demand_Forecast7

Восстановление спроса: методы

Deductor_Demand_Forecast8

Удаление аномалий

Deductor_Demand_Forecast9

Удаление аномалий: методы

Deductor_Demand_Forecast10Процент вклада в продажи (процент влияния на продажи) — Признаком наличия аномалий являются  выход значений спроса за границы. Границы задаются пользователем в виде процента вклада дневных продаж в общую их сумму. Алгоритм расчета процента вклада дневных продаж в общую сумму продаж группы аналогов следующий:

— сортировка всех дневных продаж в порядке возрастания значения дневных продаж;

— расчет доли дневной продажи от общей суммы продаж;

— расчет этой доли с накопительным итогом.

В случае превышения значением спроса границ проставляется флаг наличия аномалий и происходит его корректировка. Аномальная величина заменяется максимальной значимой дневной продажей группы товара аналога. Максимальная значимая величина рассчитывается на данных, из которых уже исключены аномалии.

 

Объекты прогнозирования

Автоматическое формирования объектов прогнозирования по правилам – минимальный объект SKU.

Deductor_Demand_Forecast11Переход к обезличенным объектам прогнозирования, которых можно добавлять сколь угодно много.

В данном модуле формируются объекты для которых будут строиться прогнозы (прогнозные модели).

В объект прогнозирования могут включаться только продаваемые уже товары.

ABC и ABC-XYZ анализ выполняется по количеству проданного товара.

Минимально прогнозируемой единицей является «основной код товара». Если необходимо выполнить прогноз по группе-аналог то в данное поле загружают код основного товара, по которому происходит закупка товара для данной группы. В случае необходимости расчета прогноза по товарам, в данное загружают код товара.

 

Прогноз: подготовка

Предобработка:

  • Формирование рядов для объектов прогнозирования
  • Проверка на наличие пропусков и их заполнение
  • Оценка возможности прогнозирования
  • Выбор метода прогнозирования

Учитываемые факторы:

  • Число наблюдений
  • Количество пропусков
  • Число не нулевых наблюдений за последний период
  • Анализ временного ряда на основе автокорреляции
  • Проверка на случайность, наличие тренда, сезонность

 

Прогноз: алгоритмы

Deductor_Demand_Forecast12Для недельного и месячного прогноза используются свои модели.

При необходимости на вход машинных методов прогнозирования можно подавать внешние факторы

 

Прогноз: сравнение результатов

Deductor_Demand_Forecast13

Используются следующие границы:

Среднее +/- прирост

Минимум/максимум +/- прирост

 

Прогноз: лучшая модель

Лучшей считается модель, которая имеет минимальное значение на исторических данных по заданному критерию:

  • Ошибка
  • Относительная ошибка
  • Абсолютная ошибка
  • Относительная абсолютная ошибка
  • Среднеквадратичная ошибка
  • Корень среднеквадратичной ошибки
  • Коэффициент детерминации

Критерий оценки задается пользователем на этапе настройки конфигурации. Оценка происходит на исторических данных.

 

Прогноз: результат

Deductor_Demand_Forecast14

Для недельного и месячного прогноза используются свои модели.

При необходимости на вход машинных методов прогнозирования можно подавать внешние факторы.

 

Разгруппировка по товарам

Deductor_Demand_Forecast15

Прогноз: внешние факторы

Для учета внешних факторов может быть построена отдельная модель, которая будет корректировать Baseline с учетом поправочных коэффициентов.

Deductor_Demand_Forecast16

Оптимальный страховой запас

Варианты расчета страхового запаса:

  • Задание запаса вручную
  • На основе дневного потребления
  • На основе среднего отклонения
  • На основе ошибки прогнозирования

Возможет подбор метода расчета для каждого SKU на основе:

  • ABC анализа
  • Новизны ассортимента
  • Регулярности продаж
  • Сезонности

Несколько вариантов расчета страховых запасов:
1. Определение страхового запаса на основе дневного потребления;
2. Задание страхового запаса вручную;
3. Определение объема страхового запаса на основе среднего отклонения;
4. Определение страхового запаса на основе ошибки прогнозирования.
Для каждого товара может быть выбран свой метод расчет страхового запаса, на основе abc анализа и новизны ассортимента, регулярности продаж, сезонности.

 

Оптимальный запас: пример

Deductor_Demand_Forecast17

Учет ограничений

Рекомендованные закупки рассчитываются с учетом информации:

  • Календарь закупок
  • Выполнение плана продаж
  • Плечо доставки
  • Транспорт объем/масса
  • Финансовые ресурсы

 

Закупка: дата поставки

Deductor_Demand_Forecast18

Закупка: объем

Deductor_Demand_Forecast19

Заказ поставщикам

Deductor_Demand_Forecast20

Экономический эффект

Deductor_Demand_Forecast21

Ключевые преимущества

  • Многократное сокращение трудозатрат
  • Повышение оборачиваемости
  • Повышение уровня сервиса
  • Готовая система отчетности
  • Формализация управления закупками
  • Планирование бюджета

 

Из опыта внедрения данного решения:

На 6-15% сокращается объём оборотных средств.

На 22-35% сокращается площадь склада хранения.

Один (!) человек обеспечивает закупку 15 000 товарных позиций.

На 11-18% сокращается количество неликвидов.

За 5 лет поменялось 8 учетных систем. Хранилище данных хранит всю аналитику за это время.

 

Презентацию данного решения можно скачать по ссылке Deductor Demand Forecast.

Дополнительную информацию можно посмотреть на сайте разработчика решения.


Предыдущая записьАктивация пройдена Следующая записьЭскорт-Сервис - пилотный проект по прогнозу [дистрибуция]


Яндекс.Метрика