Представьте, что вы идёте в ближайший магазин рядом с домом, чтобы купить любимую шоколадку. Приходите, видите пустую полку, расстраиваетесь и уходите в другое место.
Этого не видно, но магазин тоже расстроился, — только что он потерял прибыль с шоколадки и, возможно, лояльность своего клиента. А что, если это — огромная сеть из 1000 торговых точек по всей стране? И в каждой происходит такой сюжет?
Неприятная ситуация для бизнеса, которую можно было бы избежать или свести к минимуму, если бы что-то предсказало магазину ваш приход за конкретным товаром в конкретный день при конкретных обстоятельствах.
Одно из таких «что-то» — машинное обучение. Эта технология так понравилась компаниям, что, по опросу PricewaterhouseCoopers, охватившему 1000 предприятий из 9 секторов бизнеса, 86% из них планируют внедрить ML-технологию как основную.
Постараемся разобраться, зачем прогнозировать спрос и как работают ML-технологии. Чтобы тема из разряда «непонятно, но очень интересно» перешла в разряд «понятно, надо попробовать».
А зачем вообще прогнозировать
Пример с шоколадкой поверхностный, но отражает суть — бизнесу необходимо прогнозировать спрос, чтобы эффективно управлять своими ресурсами.
С точным прогнозированием можно оптимизировать запасы и планировать производство. Это, в свою очередь, повышает лояльность аудитории или партнёров, если речь идёт о B2B-секторе, так как товары всегда будут доступны в нужное время. Кроме того, прогнозирование помогает в финансовом планировании и бюджетировании. В итоге компания может эффективно управлять цепочками поставок, снижать операционные затраты и развиваться. Проще говоря, — бизнесу выгодно знать, что, где и когда лучше продавать. Но как это происходит?
Тут есть несколько вариантов:
- качественные методы прогнозирования — основаны на мнении и опыте экспертов. Полезны, когда исторических данных нет;
- количественные методы прогнозирования — основаны на анализе исторических данных и применении статистических моделей для предсказания тенденций, сюда же можно отнести использование эконометрических моделей.
Но технологии развиваются, а вместе с ними и способы, которые используются в прогнозировании.
Так появился следующий вариант — метод машинного обучения, — технология, в которой используются алгоритмы для анализа больших объёмов данных и выявления сложных зависимостей.
Естественно, крупные корпорации присмотрелись к такому новшеству. Например, IKEA разработала свой инструмент для прогнозирования, который называется Demand Sensing — «Предсказание спроса».
Работает всё на базе искусственного интеллекта и анализе массивов данных. Demand Sensing использует до 200 типов данных для того, чтобы искать и сопоставлять различные факторы, которые влияют на спрос. В результате такого внедрения точность прогнозов IKEA выросла с 92% до 98%.
Это значит, что магазины бренда теперь точнее планируют запасы и избегают ситуаций, когда нужные товары отсутствуют. Либо наоборот, накапливаются излишки, которые занимают место на складе.
Ещё интересный пример с Amazon, который использует машинное обучение для прогнозирования спроса, анализируя данные о покупках и просмотрах своих клиентов. Так во время пандемии компания добавила в свои модели данные о распространении болезни, количестве заболевших и макроэкономические показатели. В итоге Amazon смог быстро отреагировать на неожиданный рост спроса на туалетную бумагу, продажи которой увеличились на 213%.
Есть также пример из нашей практики в Riverstart: мы внедрили ML-модель прогнозирования спроса для крупной FMCG компании, увеличив её выручку на 2% и прибыльность маркетинговых кампаний на 7%.
Технология интересная, но как она работает на самом деле? Откуда берутся такие результаты?
Магия машинного обучения: как всё работает
Машинное обучение — это технология, которая выявляет сложные зависимости и может использоваться для анализа больших объемов данных. В контексте прогнозирования спроса ML анализирует исторические данные о продажах, поведении клиентов, макроэкономических показателях и других факторах, чтобы предсказывать будущее поведение покупателей и изменения на рынке.
Представьте Диму — владельца магазина игрушек. В прошлом году перед Новым годом Дима заказал определённое число популярных позиций, но их оказалось меньше, чем нужно.
К середине декабря полки опустели, а Дима потерял потенциальных клиентов и прибыль, но случайно прочитал этот материал и решил попробовать ML-технологии, чтобы предсказать спрос и избежать такой ситуации в будущем.
Что Диме предстоит сделать?
- Дима собирает данные о продажах за последние несколько лет, включая информацию о том, какие игрушки люди покупали в разное время года, в зависимости от праздников, акций и даже погоды.
- Инженеры проверяют данные на ошибки и дубликаты, нормализуют их, чтобы привести в единый формат.
- Дима с помощниками загружает подготовленные данные в программу машинного обучения.
- Модель машинного обучения анализирует подгруженный массив и выявляет паттерны. Например, она может заметить, что продажи плюшевых слоников резко возрастают за две недели до Нового года.
- На основе анализа модель прогнозирует, что в этом году спрос на плюшевых слоников будет ещё выше, потому что, ко всему прочему, выявлен дополнительный фактор — увеличение рекламного бюджета производителей игрушек.
Наступает декабрь, Дима замечает, что прогнозы были точны: за две недели до Нового года спрос на плюшевых слонов действительно вырос, но Дима подготовился.
В результате Дима не только избежал потерь, но и увеличил прибыль своего магазина, так как клиенты находили нужных слоников именно у него.
*Все совпадения вымышлены, хоть и реалистичны.
Описали то, как работает ML-технология с «видимой» стороны. Теперь разберёмся, что скрывается внутри ML.
Реальные предприниматели делятся опытом
- «Найдем инвестора — он отберет компанию». Сооснователь Restik о том, почему не получал прибыль четыре года
- С какими сложностями сталкиваются предприниматели: шесть историй
- «Терпела до последнего, а потом разом прощалась»: 4 истории про ошибки в найме
- Как остановить текучку кадров и справиться с внутренним кризисом в компании. Опыт Фикуса
- «Переключение контекста — одна из самых дорогих операций в голове». Герман Гаврилов об основах управления
Что под капотом у машинного обучения
В этом разделе постараемся подробно описать механизмы работы ML-технологии в прогнозировании спроса. Спойлер: чтобы понять, как работает один способ прогнозирования, будем сопоставлять его с другими, так легче понять основные принципы.
Итак, есть два основных способа предсказывать будущий спрос:
- эконометрическая модель;
- модель машинного обучения.
Выбрали эти две модели, потому что они наиболее популярные и представляют собой два разных подхода к прогнозированию.
Эконометрика похожа на составление формулы для прогноза: математические модели и переменные, которые влияют друг на друга. То есть для точного прогноза важно правильно определить формулу и параметры этих взаимосвязей.
Как работает эконометрика. Эконометрика использует заранее заданную формулу и статистический анализ, чтобы предсказать спрос на основе нескольких ключевых факторов.
ML-технология больше похожа на обучение на примерах — кинули данные, модель начинает в них рыскать и искать корреляции, находит и делает прогнозы. То есть забросили новый параметр и смотрим результат, на что он влияет и влияет ли вообще.
Как работает машинное обучение. Машинное обучение анализирует большой объём данных и самостоятельно находит зависимости, чтобы сделать точные прогнозы, учитывая множество факторов.
Модель машинного обучения анализирует огромные массивы данных. Чем больше данных, — тем лучше будет прогноз. Чтобы на примере показать разницу, мы подготовили таблицу, в которой сравнили эконометрическую модель и модель машинного обучения.
Пришло время разобраться в основном принципе, по которому отбираются данные.
Здесь лучше получится объяснить на примере работы с сигналами.
Итак, представьте, что данные, с которыми мы работаем, — это сигналы, которые передают информацию. Так можно понять, какие паттерны и закономерности скрыты в этих «сигналах», чтобы потом использовать эту информацию для анализа и прогнозирования.
Чтобы вы не воображали неведомые схемы, прикладываем график на примере продаж в сети супермаркетов.
На графике видно три аспекта:
- Тренд, который показывает направление изменений данных. Например, в течение нескольких лет объём продаж сети супермаркетов постепенно увеличивается. Это происходит благодаря расширению ассортимента, привлечению новых покупателей и укреплению лояльности существующих.
- Сезональность — периодические изменения в данных, связанные со временем года или другими циклическими событиями. В период праздников спрос на продукты питания резко возрастает из-за увеличения потребительского спроса на подарки, банкеты и семейные посиделки.
- Шум — непредсказуемые факторы или случайные колебания, которые влияют на данные. Иногда продажи неожиданно снижаются из-за разных факторов: природные катаклизмы или популярный блогер, который решил выпустить хвалебный отзыв о конкретном продукте из супермаркета.
Cистема дифференцирует тренд, сезональность и шум, чтобы понять, в чём причина изменений.
На примере работы с сигналами можно понять как машинное обучение позволяет бизнесу эффективно прогнозировать спрос, а внедрение технологии помогает управлять ресурсами и адаптировать бизнес к изменениям на рынке, порой даже очень неожиданным.
Несмотря на то, что ML-технологии становятся всё популярнее, корпорации вкладывают большие деньги в развитие этого направления. Но всё-таки решение о внедрении таких сложных технологий зависит от конкретных потребностей и возможностей бизнеса.
Какие методы прогнозирования используете вы?