Знать бы прикуп: как работает прогнозирование спроса

Прогнозирование спроса становится все более востребованной задачей у ритейлеров и производителей. Еще лет десять назад продавцам отчасти было проще: покупатели не были так избалованы широким товарным ассортиментом.

Да и технологии не оставляли выбора, поэтому о прогнозировании спроса мало кто задумывался всерьез. Но времена меняются. О том, что происходит в ритейле сейчас, что можно предсказывать и что компании для этого потребуется, мы поговорили с Филом Льюисом, вице-президентом Infor по консалтингу.

— Насколько, по вашим наблюдениям, серьезен интерес ритейлеров к технологиям прогнозирования спроса?

— Сегодня эта задача очень востребована ритейлерами. Им становится все сложнее точно планировать спрос на товары. Покупатели стали более требовательными, избирательными, и продавец вынужден все больше расширять ассортимент. Какие из его товаров будут продаваться лучше? Для того чтобы ответить на заданный вопрос, нужно обработать огромный поток информации. А это невероятно сложно. Именно здесь большинству компаний необходимо задуматься о цифровой трансформации бизнеса. Особенно в тех моментах, которые связаны с обработкой и хранением больших данных, с их использованием и с анализом трендов.

У Infor есть решение в области big data: мы практически умеем предсказывать спрос даже на те продукты, которые только выходят на рынок. Это стало возможным исключительно благодаря разработанным предсказательным алгоритмам. Мы можем объединить и проанализировать самую разную информацию: экономические тренды, сезонность, большой объем данных о транзакциях и прошлых продажах для аналогичных товаров и аналогичных клиентов, а затем смоделировать «профиль спроса» для этого абсолютно нового продукта.

Возьмем, к примеру, какой-то новый предмет женской одежды — что-то, только что придуманное дизайнерами и готовящееся к производству. Прежде всего мы можем посмотреть на статистику по похожим товарам за несколько прошедших лет, уточнить данные по ним в конкретном регионе за последние 12 месяцев. Мы также можем добавить в анализ глобальные экономические тенденции и в итоге с большой точностью сделать прогноз относительно спроса. Хотя, конечно, элемент неопределенности всегда будет присутствовать.

— А можно таким же образом предсказывать спрос на абсолютно новые товары, аналогов которым еще не было?

— В таких ситуациях мы можем использовать machine learning, или технологии машинного обучения. Речь идет о системах, которые обучаются на огромных массивах информации, получаемой от ритейлеров. Искусственный интеллект сможет вычленить самые разные характеристики, скомбинировать их и выдать предположение о том, как будет продаваться новый товар. Это непростая задача, и ее решение зависит от того, насколько сложные интеллектуальные алгоритмы лежат в основе ИИ.

Наша компания в этом году представила свою разработку — искусственный интеллект Coleman, который в ближайшие годы будет постепенно внедряться фактически во все продукты Infor. Говоря простым языком, это — инструмент, который помогает аналитикам принять лучшее, актуальное здесь и сейчас решение. Например, в случае с логистикой ИИ позволяет анализировать видео с дронов и составлять оптимальные маршруты, учитывая погодные условия, меняющийся трафик и прочие параметры.

В описательной аналитике есть такое понятие, как Business Intelligence, или инструменты для бизнес-анализа. Аналитика, как мы знаем, бывает не только описательной, но и предписывающей. В ритейле это относится к решениям, прогнозирующим продажи и спрос. Они же помогают с ценообразованием, а также с промо-акциями: какие и когда именно запускать.

Приведу пример. Один из наших крупнейших ритейл-клиентов в России — сеть магазинов «М. Видео», с которой мы сотрудничаем с 2009 года. Компании мы помогаем спрогнозировать спрос на 26 недель вперед, а также понять, какие товары в каком объеме распределить по магазинам. Торговые сети подобного размера предлагают сотни тысяч наименований, и с помощью наших решений планируется как ассортимент, так и управление поставками. Ассортимент магазинов варьируется от города к городу — набор и количество товаров в Москве и Новосибирске не одинаков, это обусловлено различиями покупательского поведения в разных регионах, что, к слову, и учитывается в BI-решениях. Это и есть описательная и предсказательная аналитика.

Приведу в качестве примера платформу GT Nexus, которая дополняет решения для предсказательной аналитики. Она позволяет ритейлерам управлять всеми данными, которые необходимы для работы с поставками. Их, в свою очередь, можно разделить на внутренние (артикулы, данные о промо-акциях и т. д.) и внешние (погода, данные о продажах конкурентов, данные партнеров: когда товар будет отгружен, как долго он будет идти до склада и проч.). Суммируя, мы можем сказать, что GT Nexus консолидирует всю информацию, делая процесс максимально прозрачным для ритейлеров. А теперь представьте, чего можно добиться, если объединить мощности GT Nexus с прогнозом спроса. Внешние данные могут быть очень полезными: если вы знаете информацию о погоде, которая повлияет на логистику, и о состоянии дел у конкурентов, вы можете детальнее, точнее прогнозировать спрос, а заодно и потребности ваших складов. Речь, помимо прочего, и о том, какой объем товара нужно запасти, чтобы избежать «потерянных» продаж, когда покупатель приходит в магазин за продукцией, а ее нет.

— Какие вообще данные могут понадобиться ритейлеру для прогнозирования?

— Это традиционные данные по клиентам, регионам, товарам — та информация, которая всегда есть у ритейлера. Это обязательно информация о сезонности, об экономических тенденциях, о покупательских трендах. Ее необходимо объединить с информацией по профилю клиента, которой еще лет десять назад не было. Но теперь, анализируя поведение и предпочтения потребителя, мы можем делать ему уникальные предложения.
Раньше для решения таких задач не хватало компьютерных мощностей. Но сейчас активно используются облака, и мы можем анализировать огромные массивы данных, чтобы выяснить уникальные характеристики для каждого конкретного посетителя. Я вообще не уверен, что есть какой-то предел информации, которая может нам потребоваться. Это могут быть и финансовые данные, и информация о движении денег по карте, сведения о местонахождении клиента и времени суток в данный момент.

— Аналитические системы, решения для прогнозирования — это все серьезные, большие внедрения, которые стоят немалых денег. Кому доступны такие технологии?

— У нас много разных клиентов, больших и маленьких. Например, Whole Foods, известный американский food-ритейлер, или всемирно известная компания Nike. Но это не значит, что небольшие ритейлеры или производители обречены остаться без аналитики. Наоборот, мы считаем, что именно благодаря аналитическим системам, благодаря правильному прогнозированию спроса такие компании могут расти быстрее. Хорошая технология должна быть гибкой и доступной в соответствии с возможностями и потребностями каждого клиента. Поэтому решения Infor масштабируемы и подходят организациям любых размеров. Ведь мы предоставляем сервис, а не продукт. Малому бизнесу cloud-решения помогают сэкономить немало денег, ведь при работе с облаком компаниям по сути не нужно тратиться на ИТ-поддержку. Они помогают и с ведением бухгалтерии, и с управлением поставками.

— Достаточно ли данных для прогноза у маленьких ритейлеров?

— Они будут расти со временем. Пока компания еще маленькая, она может опираться на ту информацию, ту статистику, которую мы получаем от крупных игроков рынка. Ведь мы же говорим об искусственном интеллекте и машинном обучении. Интеллектуальные системы не будут обучаться на примере одной компании. Для этого им нужен опыт 50 тысяч ритейлеров.

Системы искусственного интеллекта очень скоро станут отличным решением для небольших ритейлеров. К примеру, посмотрим на роль ИИ в жизни потребителей. Так, Amazon Alexa учится у 250 млн пользователей по всему миру. Искусственный интеллект в ритейле будет следовать той же концепции. Ему потребуется время на обучение, но такое решение будет очень полезным для всех ритейлеров в ближайшем будущем. Мы в Infor считаем, что ИИ будет способен ответить на вопросы о том, что нам пока неизвестно.

— А можно ли будет предсказывать влияние каких-то неожиданных, неизвестных факторов на спрос?

— Мир очень непредсказуем. Например, политические события вроде Brexit, прихода к власти Дональда Трампа в США или нестабильности в Северной Корее заметно влияют на всю нашу жизнь в целом и на покупательское поведение в частности. На то, что, где и как мы покупаем. Так, некоторые действия и решения Трампа повлияли на позиции американских брендов в Европе. Политическая ситуация может менять поведение покупателей по всему миру — это факт. И следует помнить: изменения спроса не всегда связаны с качеством продуктов. Это иногда нечто абсолютно другое.

Очевидно влияние природных катаклизмов на изменение динамики спроса. Например, землетрясение в Японии чуть было не нарушило глобальную цепь поставок компании Caterpillar. Но они использовали в работе аналитические решения Infor и с их помощью смогли быстро просчитать последствия и перепланировать логистику так, чтобы минимизировать влияние землетрясения на поставки.

Крайне важно понимать, как вы, компания, откликаетесь на изменения, как вы можете распознать и предсказать их до того, как они на самом деле произойдут. Прогнозная аналитика становится все важнее во всех отраслях, включая ритейл, производство, управление сервисом. И с ее помощью мы уже сейчас можем влиять на технологии продаж товаров и услуг, их спрос и предложение.

С Филом Льюисом, вице-президентом Infor по консалтингу беседовала Мария Сысойкина

Источник: New Retail

26.10.2017