Переход к технологиям с применением искусственного интеллекта (AI) в таком основополагающем процессе, как прогнозирование продаж, является ключевым приоритетом в повестке по цифровой трансформации бизнеса. Мы прошли долгий непростой путь и сейчас находимся на стадии встраивания процесса ML-прогнозирования в обычный операционный цикл (business as usual).
Unilever США является крупнейшим и самым сложным в плане операционного управления бизнесом корпорации Unilever (Юнилевер) в мире (более 200 брендов). Имея такой разнообразный портфель, включая товары личной гигиены и косметики, пищевые продукты, напитки и мороженое, а также товары по уходу за домом, компании приходится поддерживать комплексный и очень ресурсоемкий процесс прогнозирования продаж.
Прогноз продаж тысяч товарных позиций (SKU) по разным каналам продаж и торговым сетям всегда строился с помощью традиционных статистических методов и был крайне зависим от экспертизы конкретных специалистов по планированию и менеджеров по продажам. В результате возникали регулярные проблемы с достижением целевой точности прогноза, что всегда приводило к негативным финансовым последствиям для бизнеса.
Unilever США является крупнейшим и самым сложным в плане операционного управления бизнесом корпорации Unilever (Юнилевер) в мире (более 200 брендов). Имея такой разнообразный портфель, включая товары личной гигиены и косметики, пищевые продукты, напитки и мороженое, а также товары по уходу за домом, компании приходится поддерживать комплексный и очень ресурсоемкий процесс прогнозирования продаж.
Прогноз продаж тысяч товарных позиций (SKU) по разным каналам продаж и торговым сетям всегда строился с помощью традиционных статистических методов и был крайне зависим от экспертизы конкретных специалистов по планированию и менеджеров по продажам. В результате возникали регулярные проблемы с достижением целевой точности прогноза, что всегда приводило к негативным финансовым последствиям для бизнеса.
Консультантами были разработаны модели прогнозирования продаж на базе алгоритмов машинного обучения (ML), что позволило бизнесу перейти от статистического прогноза к новому процессу с использованием самых передовых алгоритмов ML.
В рамках проекта были созданы отдельные модели прогнозирования продаж в крупнейших в США и мире ретейлерах. При этом каждая из моделей имела свой уникальный набор входящих параметров, определяющих прогноз в конкретной сети: от данных по продажам с полки до уровня запасов на складе, от затрат на промо акции до списка уникальных промо событий, от количества торговых точек до национальных праздников. Разнообразие и полнота доступных внутренних и внешних данных позволило ML-алгоритмам лучше обучиться на выборках и в результате создавать более точный прогноз c меньшими трудозатратами.
BI-платформа Domo и платформа для интегрированного планирования Anaplan были выбраны, чтобы поддержать и усилить новый процесс: от возможности обновления алгоритмов всех моделей, дезагрегации полученного прогноза до нужного уровня и его визуализации для конечных пользователей. Интерактивные информационные панели (dashboard) с деталями нового прогноза позволили экспертам по планированию и аналитикам лучше понимать составляющие ML-прогноза по всем доступным влияющим на него факторам. Это особенно помогло ускорить ход освоения нового процесса и технологии среди сотрудников.
Помимо специализированных моделей под конкретных ретейлеров была создана универсальная модель прогнозирования базовой линии продаж с помощью ML-алгоритмов для всех оставшихся торговых сетей и категорий бизнеса. Благодаря созданному решению по дезагрегации ML-прогноза в Anaplan, менеджеры по планированию могли легко оценить качество прогноза в нужном разрезе вплоть до конкретного SKU в клиенте, сравнивать с прогнозом в прошлые периоды, делать сценарное планирование и многое другое.
Консультантами были разработаны модели прогнозирования продаж на базе алгоритмов машинного обучения (ML), что позволило бизнесу перейти от статистического прогноза к новому процессу с использованием самых передовых алгоритмов ML.
В рамках проекта были созданы отдельные модели прогнозирования продаж в крупнейших в США и мире ретейлерах. При этом каждая из моделей имела свой уникальный набор входящих параметров, определяющих прогноз в конкретной сети: от данных по продажам с полки до уровня запасов на складе, от затрат на промо акции до списка уникальных промо событий, от количества торговых точек до национальных праздников. Разнообразие и полнота доступных внутренних и внешних данных позволило ML-алгоритмам лучше обучиться на выборках и в результате создавать более точный прогноз c меньшими трудозатратами.
BI-платформа Domo и платформа для интегрированного планирования Anaplan были выбраны, чтобы поддержать и усилить новый процесс: от возможности обновления алгоритмов всех моделей, дезагрегации полученного прогноза до нужного уровня и его визуализации для конечных пользователей. Интерактивные информационные панели (dashboard) с деталями нового прогноза позволили экспертам по планированию и аналитикам лучше понимать составляющие ML-прогноза по всем доступным влияющим на него факторам. Это особенно помогло ускорить ход освоения нового процесса и технологии среди сотрудников.
Помимо специализированных моделей под конкретных ретейлеров была создана универсальная модель прогнозирования базовой линии продаж с помощью ML-алгоритмов для всех оставшихся торговых сетей и категорий бизнеса. Благодаря созданному решению по дезагрегации ML-прогноза в Anaplan, менеджеры по планированию могли легко оценить качество прогноза в нужном разрезе вплоть до конкретного SKU в клиенте, сравнивать с прогнозом в прошлые периоды, делать сценарное планирование и многое другое.
