Прогнозирование спроса с помощью ИИ — это использование моделей машинного обучения для предсказания будущего спроса на товары на уровне артикулов (SKU) и каналов продаж на основе более широкого и актуального набора данных, чем обычно учитывается при ручном прогнозировании, включая историю продаж, сезонные закономерности, текущие показатели электронной коммерции и запланированную маркетинговую активность. Наиболее наглядно ценность этого подхода проявляется в преддверии пикового сезона, когда стоимость ошибки в прогнозе в любую сторону — будь то нехватка запасов и потерянные продажи либо избыток запасов и расходы на хранение и уценку — максимальна, а времени на исправление ошибок практически нет.
Почему ошибки прогнозирования в пиковый сезон обходятся так дорого
Ошибки прогнозирования стоят по-разному в разное время года. Неправильно рассчитанную точку перезаказа в марте обычно можно скорректировать в рамках обычного цикла пополнения запасов. Ошибочный прогноз перед IV кварталом нарастает как снежный ком, поскольку сроки выполнения заказов увеличиваются по мере того, как транспортные компании и поставщики достигают пределов своей пропускной способности в пиковый сезон, а бренд, у которого не хватает ключевого товара (hero SKU) в недели максимального спроса, не получает второго шанса вернуть эту выручку. Масштаб этой проблемы в масштабах всей индустрии весьма значителен: по данным последнего глобального аналитического отчета IHL Group, совокупная стоимость избыточных запасов и дефицита (яввление, которое в исследовании называют искажением товарных запасов) оценивается в 1,77 триллиона долларов в год по всему миру, причем примерно 970 миллиардов приходится на упущенные продажи из-за нехватки товаров, а 800 миллиардов — на уценку и расходы на хранение избыточных запасов. Пиковый сезон концентрирует непропорционально большую часть этого риска в течение нескольких критических недель.
Стоимость ошибки в прогнозировании спроса в пиковый сезон
$970 млрд
ежегодно теряется из-за дефицита товаров по всему миру
$800 млрд
ежегодно теряется из-за избытка запасов и уценок
$1,77 трлн
совокупные глобальные затраты на искажение товарных запасов
Что учитывает прогнозирование с помощью ИИ, чего часто не замечает ручной прогноз
Ручной прогноз или прогноз на основе электронных таблиц обычно опирается на историю продаж за прошлый год и мнение планировщика о том, что изменилось с тех пор. Такой подход испытывает трудности именно с теми факторами, которые отличают пиковый сезон от остального года: более интенсивным и сконцентрированным в начале маркетинговым календарем, разной скоростью роста каналов продаж и сезонными паттернами, которые немного меняются из года в год по мере изменения клиентской базы бренда. Решение Demand AI от Cart.com прогнозирует спрос на уровне SKU и каналов продаж, используя более широкий набор разнородных данных по сравнению с типичным ручным процессом, включая омниканальный маркетинг и историю продаж, сезонные закономерности, текущие показатели электронной коммерции и прогнозируемую активность маркетинговых кампаний, поэтому календарь промоакций бренда на IV квартал является исходным параметром прогноза, а не чем-то, что накладывается на прогноз постфактум. В ходе предыдущего внутреннего тестирования компания Cart.com выяснила, что этот подход превосходит собственные внутренние прогнозы брендов на величину до 40 процентов, хотя брендам, оценивающим его для планирования собственного пикового сезона, следует уточнять актуальные данные о производительности напрямую, поскольку точность прогнозирования во многом зависит от категории, истории данных и горизонта прогнозирования.
Превращение прогноза в операционную готовность к пиковым нагрузкам
Более точный прогноз приносит пользу только в том случае, если он действительно заранее меняет процессы на складе. Поскольку прогнозирование в Cart.com работает в рамках той же платформы, что и складской учет, управление заказами и фулфилмент, сигнал о спросе на уровне SKU на октябрь и ноябрь может повлиять на сроки перезаказа и решения по страховому запасу еще до начала пикового сезона, а не только после появления результатов за первую неделю. Это наиболее важно для брендов, управляющих тысячами SKU по нескольким каналам, где специалист по планированию, вручную сводящий тренды продаж по Shopify, Amazon и оптовым аккаунтам, работает с более медленной и фрагментированной картиной, чем модель прогнозирования, созданная для автоматического объединения этих данных. Сеть фулфилмента Cart.com уже обслуживает более 6 000 клиентов и около 75 миллионов заказов в год через 14 распределительных центров по всей стране, и именно на этот операционный масштаб должен быть рассчитан прогноз, готовый к пиковым нагрузкам.
Что такое прогнозирование спроса с помощью ИИ? Прогнозирование спроса с помощью ИИ использует модели машинного обучения для предсказания будущего спроса на товары на уровне SKU и каналов, опираясь на более широкий спектр данных, включая историю продаж, сезонность, текущую производительность и запланированную маркетинговую активность, чем типичный процесс ручного прогнозирования может учесть самостоятельно.
Часто задаваемые вопросы
Что такое прогнозирование спроса с помощью ИИ?
Прогнозирование спроса с помощью ИИ применяет машинное обучение для предсказания будущего спроса на товары (обычно на уровне SKU и каналов продаж) с использованием комбинации исторических данных о продажах, сезонных закономерностей, текущих тенденций производительности и запланированной маркетинговой активности. Оно разработано для выявления изменений спроса, которые традиционный ручной прогноз на основе исторических данных обычно упускает из виду.
За сколько времени до начала пикового сезона бренду следует начинать прогнозирование?
Поскольку сроки выполнения заказов на повторный заказ и фрахт увеличиваются по мере приближения транспортных компаний и поставщиков к пределам своей пропускной способности в пиковый сезон, большинству брендов необходимо зафиксировать решения по запасам на IV квартал задолго до октября. Запуск процесса прогнозирования и перезаказа только после появления данных о продажах в начале пикового сезона обычно означает упущенное время для устранения дефицита.
В чем разница между прогнозированием с помощью ИИ и традиционным планированием спроса?
Традиционное планирование спроса обычно опирается на исторические тенденции продаж и суждения планировщика. Прогнозирование на основе ИИ включает в себя более широкий набор актуальных входных данных, включая текущие показатели электронной коммерции и запланированную маркетинговую активность, и обновляется автоматически по мере поступления новых данных, избавляя планировщика от необходимости вручную пересматривать допущения.
Сколько на самом деле стоят ритейлерам ошибки прогнозирования товарных запасов?
В глобальном масштабе совокупная стоимость дефицита и избытка запасов (иногда называемая искажением товарных запасов) оценивается в 1,77 триллиона долларов в год, согласно исследованию IHL Group: примерно 970 миллиардов долларов приходится на упущенные продажи из-за нехватки товаров и 800 миллиардов — на уценку и расходы на хранение избыточных запасов.
Может ли прогнозирование спроса с помощью ИИ учитывать конкретную маркетинговую кампанию или акцию?
Да, если модель прогнозирования настроена на использование данных маркетингового календаря в качестве входного параметра, а не рассматривает историю продаж как единственный сигнал. Это особенно актуально в преддверии пикового сезона, когда промо-календарь бренда обычно более насыщен и сконцентрирован, чем в остальное время года.
Действительно ли более точное прогнозирование снижает складские расходы?
Может, за счет сокращения страхового запаса, который бренд должен держать на случай неопределенности, и снижения вероятности оплаты срочных перевозок или экстренных дозаказов для покрытия ошибки в прогнозе. Масштаб выгоды зависит от того, насколько волатилен спрос у бренда и на какой срок вперед необходимо составлять прогноз.
Бренды, планирующие запасы на IV квартал, могут заранее, до начала пикового сезона, увидеть, как работают прогнозирование и фулфилмент от Cart.com. Обратитесь в Cart.com до того, как истекут сроки выполнения повторных заказов.
