18 червня 2018

Автоматизация управления категориями на основе математических моделей прогнозирования. Кейс внедрения в области модного ритейла

Андрей Ставицкий — кандидат экономических наук, доцент кафедры экономической кибернетики экономического факультета Киевского национального университета имени Тараса Шевченко предложил аудитории Конференции CatManMaster-2018 к рассмотрению тему об автоматизации управления категориями на основе математических моделей прогнозирования. Андрей рассказал о практическом кейсе, внедренном в области модного ритейла. Для крупной компании со множеством однотипных магазинов требовалось разработать систему, которая на основании различных факторов могла бы прогнозировать уровень продаж на каждый месяц. Несмотря на проблемы и выявленные сложности в разработке, систему удалось внедрить.

—Я занимаюсь тем, что создаю информационные системы прогнозирования на предприятиях. И когда мы приходим на предприятие и смотрим, какие данные предлагаются для работы, мы видим, что из-за различных стратегий внедрения, получаются очень сильные падения или рост продаж, которые уже через некоторое время очень тяжело объяснить даже участникам этой фирмы. То есть они не помнят, когда они проводили различные акции, особенно если этих акций много, и из-за такого недостатка информации очень сложно прогнозировать.

Я расскажу о конкретном кейсе, который мы реализовывали с одной из компаний, занимающейся продажами одежды. Это большая компания, имеющая представительства во всех городах Украины. Магазины занимаются продажей разноплановой одежды, рассчитанной на молодежную аудиторию в основном. Когда компания обратилась к нам за помощью в прогнозировании, мы ознакомились с уровнями продаж, и определили, что эти уровни продаж по каждому магазину меняются каждый день, и происходит это в силу самых разных обстоятельств.

В первую очередь, это, конечно же, сезонность, поскольку есть разные дни продаж — одно дело продавать в субботу, другое дело продавать в понедельник, есть различные месяцы, есть различные сезоны, есть различные распродажи. Но, при этом есть и то, что объяснить достаточно тяжело, например, скидочные акции на определенный вид товара на определенную категорию, которые не учитываются в статистике фирмы, а, следовательно, их уже через два-три года после проведения невозможно выявить.

Продажи на фирме неравномерные, из-за этого прогнозировать стратегию развития данной фирмы достаточно тяжело. И, поскольку у фирмы зарубежный владелец, который устанавливает определенные планы по продажам, то в Украину привозили много товара, который невозможно было продать. Порядка 40% товаров со склада необходимо было списывать.

Для того чтобы уменьшить проблемы со списаниями, для того чтобы улучшить прогнозируемость, как заполнять каждый магазин, необходимо было разработать информационную систему, которая работала бы с данными, и позволяла объяснить, почему в тот или иной период были продажи на определенном уровне. На каждый день у фирмы были данные по продажам, и необходимо было на основании этого сделать прогнозы на следующий месяц.

В результате было проведено несколько этапов работ, каждый из этих этапов кажется достаточно простым, но, тем не менее, приводил к серьезным проблемам. Первый этап — это первоначальный поиск информации, то есть формирование той базы данных на основании которой необходимо делать прогноз. Оказалось что, несмотря на то, что фирма работает с современной бухгалтерией, и данные должны быть в базе, предоставить эту информацию быстро было проблематично. Затем оказалось, что в этой базе данных множество технических ошибок. Необходимо было производить корректировку этой базы данных.

Также необходимо было уточнить задание. Когда первоначально планировалась информационная система, было задание прогнозировать на последующий месяц продажи, которые зависят от уровня цен. То есть, если фирма будет представлять одежду по определенной цене, какими будут продажи на следующий месяц? Однако оказалось, что данные по ценам компания предоставить не смогла, не смогла обосновать, почему были такие цены, поэтому необходимо было использовать другие факторы для объяснения прогноза.

Первая версия программы обрабатывалась на всей базе данных, на всех магазинах, которые участвовали в работе, и был запущен стандартный этап тестирования для выявления ошибок. Какие были основные сложности при написании данной программы? В первую очередь, это огромный объем информации, много десятков магазинов представлено, у каждого магазина есть, как минимум, пятилетняя история, то есть, это минимум 1500 наблюдений переменных. А таких переменных, которые влияют на продажи, было выбрано до 10 по каждому магазину.

Когда данные проверялась на ошибки, были выявлены, как технические ошибки — неправильное введение, так и определенные приписки, то есть факторы не были честно введены в базу данных. Поэтому сначала был осуществлён этап очистки данных от такой некорректной информации.

Следующим этапом было определение тех факторов, которые более всего или сильнее всего влияют на уровень продаж. Когда строилась первоначальная модель, было допущение, что продажи в первую очередь зависят от цен, по которым продается продукция. И первые тесты показывали, что это действительно так. Однако фирма не смогла предоставить прогнозные цены на ближайший период, и поэтому необходимо было определять другой набор факторов, который мог бы объяснить такое поведение. Использовались данные по количеству чеков, по трафику, по конверсии, по уровню остатков, по движению остатков и так далее. Поскольку невозможно было использовать текущие значения этих параметров, были использованы значения этих параметров за предыдущие периоды.

Однако такой подход показал, что модели в целом не всегда стабильны, одну модель для всех магазинов предоставить не представляется возможным, поэтому необходимо было строить модель для каждого магазина. Работа осложнялась тем, что на фирме отсутствовало единоначалие, заказчик — руководство фирмы, распределяет задания на отделы. Отделы смотрят на данную проблему со своей стороны, кому-то интересен только прогноз по одному магазину, кому-то интересна только динамика, а руководству интересны прогнозы по всем магазинам.

Поэтому когда строилась окончательная модель, была предоставлена возможность пользователю подбирать свои факторы для объяснения уровня продаж каждого магазина. Так можно было самостоятельно изучать влияние каждого фактора и находить, как именно этот фактор будет влиять на продажи. Нужно было для каждого из магазина определить свою модель и при необходимости, если менялась выборка, построить новую модель.

Реализация системы была сделана в Microsoft Excel, поскольку заказчику было удобнее согласовать его базу данных с 1С бухгалтерией, это надстройка, которая имела базу данных всех магазинов со всеми продажами, и которая ежемесячно пополнялась данными.

В надстройке было всего три пункта меню: редакция текущей модели; расчёт прогноза для отдельного магазина на основании уже подобранной модели, на основании тех данных, которые есть; и расчёт прогноза для всех магазинов вместе. При выборе модели создавалось определенное окно, где выбирался соответствующий магазин, выбирались зависимая и переменная и набор различных факторов, которые могли влиять на продажи с различной функциональной зависимостью.

И последняя часть — это выборка, по которой эта модель оценивалась, есть кнопка, которая оценивала эту модель, и давался соответствующий результат. Поскольку работники фирмы не обладают соответствующими знаниями в реверсивном анализе, то для их удобства модель была подсвечена, все значимые факторы были покрашены в зелёный цвет, незначимые были покрашены в красный цвет. Таким образом, можно было подобрать те факторы, которые являются значимыми и использовать для различного прогнозирования.

Прогноз, согласно техническому заданию, делался на один месяц, но снова возникли определенные сложности при работе с системой. Первое — это технические сложности, которые связаны со временем обработки данных, так как база данных была очень большой, поэтому оценка прогноза одной модели занимала, как правило, около 3-4 минут. Второе — это желание сотрудников фирмы подстроить модель под себя, так как многие сотрудники отвечали за работу только одного магазина, то они пытались изменить под себя базу данных, естественно нарушая ее целостность. Третья проблема — ошибки внесения новых данных. Это технические проблемы, которые решаются достаточно просто.

Однако есть и стратегические проблемы с формированием технического задания, поступившего от руководства фирмы. Первая проблема — это неправильно выбранный горизонт планирования. Задача была прогнозировать на один месяц. Но, для того чтобы четко прогнозировать на один месяц, необходимо иметь полную статистику по предыдущему месяцу. Но прогноз на следующий месяц необходимо иметь, как минимум, на 5-6 дней раньше, чем наступал этот месяц. Поэтому неверно выбранный горизонт планирования являлся достаточно серьезной проблемой, которая решалась путем модификации моделей и путем набора всех факторов, которые не влияют на данные за последний месяц.

Также достаточно серьезной проблемой было при написании технического задания, несогласование этого задания между различными отделами. Из-за децентрализации на данной фирме, все отделы отвечали за разные виды работ, за разные цифры, и за то, как они будут использовать эту программу. Тем не менее, внедрение данной системы позволило сократить ошибки прогнозирования.

На сегодняшний день компания заинтересована в прогнозировании отдельной номенклатуры каждой единицы товара, для того чтобы улучшить логистику, сколько нужно закупать и завозить в каждый отдельный магазин. А также в том, чтобы удовлетворить другие отделы, которые не были удовлетворены раньше, а именно сделать и среднесрочное прогнозирование на год.

Для решения данной проблемы используется новый подход, новая система, которая позволяет автоматизировать этот процесс, и она будет связана не с прогнозированием продаж, а с прогнозированием спроса на товар за определенный период. Те периоды, между которыми происходят завозы товаров в данные магазины, для того, чтобы можно было делать автоматические закупки.

На данный момент работа системы ведется следующим образом. Есть данные, по которым ведется статистика, это количество продаж, как в штуках, так и в денежном измерении. Есть цена продажи, для товаров одной категории - средняя цена продажи. И товар, который находится на складе. При выборе команды прогнозирование закупок, появляется окно, в котором можно выбрать группу товаров, по которой идет прогнозирование, можно выбрать конкретный товар, для которого необходимо сделать прогнозирование, и, если есть необходимость, выбрать прогнозирование для всех товаров. Система сама определяет, по каким данным есть данные, и предлагает выбрать прогнозный период.

В данной системе используется три интерфейса прогнозирования, два достаточно простых — это скользящая и средняя, которые позволяют прогнозировать товары с короткой историей или с достаточно серьезными провалами (товары, которые определенное время продаются, через некоторое время перестают продаваться, потом опять возвращаются, из-за сезонной структуры или из-за проблем с поставками). Также для того, чтобы определять, сколько товаров необходимо закупать, используется уровень надежности данного прогнозирования.

В результате выдается отчет с прогнозом по каждому из методов, которые были заявлены, и в зависимости от того, какая сумма была указана на складе, какую необходимо осуществлять рекомендуемую закупку. Данная система позволяет работать как с большими, так и с малыми данными, позволяет работать как с одним, так со всеми товарами одновременно, может быть адаптирована под любой формат данных, так и под любые параметры заказчика.

Не пропустите главное событие месяца