- MySales generează prognoze pe șase niveluri ierarhice, de la întregul lanț până la combinații individuale SKU-magazin, procesând terabytes de date pentru marii retaileri.
- Motorul curăță automat vânzările istorice, izolează factorii de influență (preț, promoții, vreme, indicatori macroeconomici) și selectează modelul cu cea mai bună performanță fără intervenție manuală.
- Algoritmi specializați gestionează articolele noi și extinderea distribuției, asigurând prognoze precise chiar și atunci când datele istorice sunt limitate sau absente.
- Calculul integrat al stocului de siguranță, ajustările prognozei pe termen scurt și modelarea creșterii promoționale furnizează un rezultat complet, gata de comandă, într-o singură rulare a procesului.
Prezentare Generală
MySales este construit pe un motor de prognoză matematic riguros, validat pe sute de milioane de combinații SKU-magazin. Produce prognoze de cerere stabile și de înaltă calitate pentru fiecare articol din fiecare magazin, complet automatizat și la scară largă.
Motorul operează pe șase niveluri ierarhice, progresând de la viziunea cea mai agregată până la cea mai granulară:
| Nivel | Domeniu |
|---|---|
| Categorie de produse — întregul lanț | Semnal de cerere cel mai larg |
| Categorie de produse — regiune | Tendințe regionale ale categoriei |
| Categorie de produse — magazin | Tipare ale categoriei la nivel de magazin |
| SKU — întregul lanț | Cererea unui articol la nivelul întregului lanț |
| SKU — regiune | Comportamentul unui articol la nivel regional |
| SKU — magazin | Unitatea de prognoză cea mai granulară |
Această structură ierarhică este fundamentală. Atunci când motorul nu poate determina o relație fiabilă la un nivel detaliat (de exemplu, elasticitatea prețului pentru un singur SKU într-un singur magazin), apelează la niveluri superioare din ierarhie, unde sunt disponibile mai multe date. Rezultatul este o prognoză care este atât granulară, cât și solid din punct de vedere statistic.
Un lanț cu 100 de magazine și 10.000 de SKU-uri produce un milion de combinații SKU-magazin. Înmulțit cu 3-4 ani de istoric zilnic, o singură recalculare a prognozei procesează gigabytes de date pentru lanțurile mici și terabytes pentru cele mari. MySales gestionează acest lucru prin ambalarea paralelă a datelor pe mai multe fire de procesare.
Etapa 1: Ingestia și Pregătirea Datelor
Procesul de prognoză începe prin încărcarea tuturor datelor relevante din sistemul de gestionare a bazelor de date și din stocarea de fișiere MySales (un strat de optimizare care reduce sarcina bazei de date la volume mari de date).
Sursele de date includ:
- Vânzări istorice, prețuri, reduceri, niveluri de inventar și date privind chitanțele
- Ierarhia produselor și datele principale ale articolelor
- Ierarhia geografică și datele principale ale magazinelor
- Surse externe: vreme, indicatori macroeconomici și prețurile concurenților
Pentru magazinele noi sau SKU-urile noi, sistemul suplimentează istoricul lipsă folosind magazine sau articole analogice. Întotdeauna prioritizează datele reale de vânzări acolo unde sunt disponibile, aplicând datele analogice doar pentru perioadele în care nu există informații despre noua entitate.
Odată încărcate, datele sunt grupate în pachete de procesare și distribuite pe mai multe fire paralele (de obicei 3 până la 9) pentru calcul concurent.
Etapa 2: Curățarea Vânzărilor și Extragerea Liniei de Bază
Înainte ca motorul să poată calcula tendința și sezonalitatea, trebuie să separe tiparele reale de cerere de zgomotul introdus de modificările de preț, reduceri, promoții și lipsuri de stoc.
Curățarea primară a vânzărilor elimină efectele acestor factori de influență din înregistrarea istorică. În loc să elimine complet perioadele afectate, MySales izolează și cuantifică impactul fiecărui factor. Aceasta conservă cât mai mult din istoricul vânzărilor posibil, ceea ce este critic în mediile de retail unde rotația frecventă a sortimentului lasă puține perioade neafectate.
Perioadele cu vânzări pierdute semnificative cauzate de lipsuri de stoc sau inventar insuficient sunt excluse la fiecare etapă a analizei.
Această abordare de curățare permite estimarea fiabilă a tendințelor și sezonalității chiar și atunci când istoricul vânzărilor este de numai un an. Acolo unde rămân lacune, motorul le completează folosind date de la niveluri superioare de prognoză din ierarhie.
Calculul sezonalității utilizează ambele metode simultan:
| Metodă | Când Se Aplică |
|---|---|
| Sezonalitate multiplicativă (indice sezonier) | Volatilitatea sezonieră se scalează odată cu tendința generală |
| Sezonalitate aditivă | Variația sezonieră rămâne constantă indiferent de tendință |
Sistemul selectează automat metoda care se potrivește cel mai bine fiecărei combinații. La nivelul grupului de produse, calculează, de asemenea, sezonalitatea prețului mediu al grupului, surprinzând tendința vârfurilor sezoniere de cerere de a coincide cu prețuri medii mai ridicate.
Calculul tendinței urmează. După eliminarea efectelor prețului, reducerii, promoției și sezonalității, motorul calculează tendința generală de creștere sau scădere a vânzărilor, împreună cu vânzările medii și mediane din datele curățate.
Etapa 3: Analiza Factorilor de Influență și Selecția Modelului
Cu o linie de bază curată stabilită, motorul se concentrează pe cuantificarea modului în care fiecare factor extern stimulează cererea.
Analiza dependențelor evaluează relația dintre vânzări și fiecare factor de influență: preț, reducere, vreme, indicatori macroeconomici (cum ar fi cursurile de schimb), efectele de canibalizare și altele. Când evaluează fiecare factor, sistemul elimină selectiv impactul factorilor mai dominanți (de exemplu, promoțiile și sezonalitatea) pentru a izola efectul real.
Când analizează dependența de preț, sistemul evaluează, de asemenea, tendințele de inflație sau deflație pentru a curăța prețurile istorice de distorsiunile nominale.
Mai mulți factori sunt analizați separat pentru sezoanele scăzut, mediu și ridicat. De exemplu, elasticitatea prețului pentru înghețată diferă substanțial între iarnă și vară. Motorul captează aceste distincții automat, producând coeficienți specifici sezonului, mai degrabă decât medii anuale combinate.
Motorul populează apoi două matrici:
- Matricea predictorilor istorici -- valorile observate ale tuturor factorilor de influență pe perioada istorică, inclusiv metrici derivate, cum ar fi raportul dintre prețul perioadei curente și prețul mediu pe perioadele anterioare.
- Matricea predictorilor viitori -- valori proiectate pentru fiecare factor, folosind o abordare diferențiată: medii simple sau mediane pentru unii factori, valori prognozate pentru alții și date introduse de utilizator (planuri de sortiment, prețuri viitoare, calendare promoționale) acolo unde sunt disponibile.
Coeficienții de corelație sunt calculați din aceste matrici, iar motorul formează automat modele candidate de prognoză din factorii care demonstrează o influență semnificativă asupra vânzărilor.
Testarea și selecția modelului urmează. Motorul evaluează atât modelele generate automat, cât și modelele preconfigurate față de acuratețea istorică a vânzărilor. În timpul evaluării, perioadele cu inventar insuficient și promoțiile cu impact ridicat sunt excluse. Este selectat modelul cu cea mai bună acuratețe istorică.
Etapa 4: Generarea și Rafinarea Prognozei
Odată selectat cel mai bun model, motorul generează prognoza pentru perioadele viitoare. O serie de proceduri de rafinare asigură apoi stabilitatea și fiabilitatea.
Rafinările post-generare includ:
- Calculul valorilor minime de vânzări pentru a preveni prognoze nerealiste de valoare scăzută
- Analiza de autocorelație a erorii modelului, folosită pentru a ajusta prognoza pentru săptămânile următoare
- Calculul predictorului AutoMult, care (în funcție de configurație) ajustează prognoza pentru următoarele 6 săptămâni pe baza raportului dintre prognoza medie și vânzările reale medii din ultimele 3 săptămâni
Creșterea promoțională este calculată în continuare. Motorul aplică coeficienți de creștere generați de un set de rețele neuronale, sau utilizează date din promoții istorice comparabile acolo unde au fost identificate. Creșterile sunt adaptate la caracteristicile individuale ale fiecărei combinații SKU-magazin, cu limite minime și maxime aplicate pentru a asigura rezultate stabile pentru articolele cu istoric promoțional limitat.
După calculul creșterii promoționale, motorul efectuează reechilibrarea modelului pe toți factorii de influență. Acest pas este necesar deoarece efectele prețului și promoției sunt adesea puternic corelate, iar reechilibrarea asigură că prognoza promoțională combinată rămâne intern consistentă.
O funcție opțională controlează distribuția prognozei promoționale între magazine. Dacă prognoza promoțională la nivel de magazin deviază cu mai mult de +/-30% (configurabil) față de media grupului, sistemul o ajustează înapoi în interval. Aceasta previne prognozele nesigure pentru magazinele cu istoric limitat unde elasticitatea prețului și alte dependențe nu au putut fi determinate cu încredere.
Etapa 5: Stoc de Siguranță, Ajustări pe Termen Scurt și Rezultate Finale
Cu prognoza de bază finalizată, motorul calculează rezultatele operaționale necesare pentru reaprovizionare.
Stocul de siguranță este calculat ca deviație standard a erorii de prognoză față de vânzările istorice. Pentru a capta variația sezonieră a volatilității cererii, prognoza este împărțită în trei intervale (sezon ridicat, mediu și scăzut), iar stocul de siguranță este calculat separat pentru fiecare.
Ajustarea prognozei pe termen scurt rafinează următoarele 2 săptămâni (configurabil) folosind vânzările medii zilnice din cele mai recente 7-14 zile de perioade cu stoc disponibil. Sistemul încarcă ultimele 28 de zile de date de vânzări, identifică zilele în care articolul era disponibil și calculează vânzările medii zilnice separat pentru perioadele promoționale și cele nepromoționale. Vârfurile sezoniere sunt excluse, iar mediile sunt ajustate pentru sezonalitate, preț, vreme și alți factori. Rezultatul apare ca predictorul Ajustare Zilnică.
Rezultate suplimentare din etapa finală:
| Rezultat | Scop |
|---|---|
| Ajustarea prognozei principale | Încorporează suprascrierile manuale introduse de utilizator |
| Recomandări de preț | Determină punctele de preț optime pentru venit sau marjă |
| Estimarea efectului economic istoric | Cuantifică câștigurile potențiale din creșterea vânzărilor, identifică vânzările pierdute din factori necunoscuți și estimează reducerile potențiale de inventar |
Algoritmi Speciali
MySales include algoritmi construiți special pentru două scenarii în care abordările standard de prognoză sunt insuficiente.
Articole noi fără analogi atribuiți. Când un articol nou intră în sortiment și nu a fost atribuit niciun analog, motorul folosește vânzările unui articol mediu din grupul de produse. Ajustează această linie de bază pentru elasticitatea prețului grupului folosind prețul specific al noului articol și aplică constrângeri suplimentare pentru a asigura rezultate stabile și precise.
Extinderea distribuției. Când un articol se extinde de la un subset de magazine la un număr mai mare, motorul generează prognoze pentru magazinele fără istoric anterior de vânzări.
Să considerăm un articol vândut anterior în 10 din 30 de magazine dintr-o regiune. Pe baza performanței excelente, un manager de categorie îl listează în toate cele 30 de magazine. Pentru cele 20 de magazine noi, motorul se bazează pe dinamica vânzărilor la nivel SKU-regiune, grup de produse-regiune și grup de produse-magazin pentru a produce o prognoză acolo unde nu există istoric la nivel de magazin.
Setul complet de factori de influență utilizați de sistem este definit de utilizator și poate fi personalizat pentru a se potrivi mediului de date specific și cerințelor de afaceri ale fiecărui retailer.
Ce Înseamnă Aceasta pentru Afacerea Dumneavoastră
Motorul de prognoză MySales este conceput pentru a elimina efortul manual și presupunerile care caracterizează planificarea tradițională a cererii. Fiecare etapă a procesului, de la curățarea datelor la selecția modelului până la calculul creșterii promoționale, rulează automat și se adaptează la caracteristicile specifice ale fiecărei combinații SKU-magazin.
Pentru retailerii enterprise, aceasta produce trei rezultate concrete. În primul rând, acuratețea prognozei se îmbunătățește deoarece motorul evaluează fiecare factor semnificativ al cererii și selectează cel mai bun model din sute de candidați, ceva ce nicio echipă de analiști nu poate replica manual la scară. În al doilea rând, eficiența operațională crește deoarece întregul proces, inclusiv stocul de siguranță și ajustările pe termen scurt, rulează de la un capăt la altul fără intervenție umană. În al treilea rând, cazurile limită sunt gestionate sistematic: lansările de produse noi, extinderea distribuției și articolele cu istoric limitat primesc toate un tratament algoritmic special, nu soluții improvizate.
Rezultatul este o fundație de prognoză care se scalează cu afacerea dumneavoastră, de la sute de SKU-uri la sute de mii, fără creșteri proporționale în numărul de angajați din planificare sau în complexitate.