Wszyscy zajmujący się problematyka prognozowania popytu wcześniej czy później muszą natrafić na zjawisko określne zwyczajowo efektem dni kalendarzowych (z ang. Calendar Effect). Jego definicja wydaje się prosta i oznacza zwykle okresowy wzrostu sprzedaży występujący przed i/lub w trakcie określonej daty w roku oraz zwykle spadek sprzedaży po tej dacie. Przykładem dni kalendarzowych są np. święta państwowe takie jak Boże Narodzenie, Wielkanoc, „święta” zwyczajowe np. Walentynki czy Dzień Kobiet jak również coroczne wydarzenia handlowe jak np. Black Friday. W zależności od branży w jakiej prowadzimy biznes możemy być podatni na takie lub inne dni kalendarzowe. Ponieważ wspomniane dni kalendarzowe występują co roku, to w zasadzie nie powinniśmy przejmować się okresowymi wzrostami i spadkami sprzedaży, gdyż są one uwidocznione w historii sprzedaży, na bazie której prognozujemy. Otóż powyższe stwierdzenie okazuje się prawdziwe jedynie w stosunku do tych wydarzeń, które mają rzeczywiście stałe umiejscowienie w kalendarzu. Jest jednak sporo świąt i corocznych wydarzeń handlowych, których występowanie w kolejnych latach się zmienia np. Wielkanoc czy Boże Ciało. Prognozowanie produktów podatnych na efekt w/w dni kalendarzowych stanowi już nie lada wyzwanie, zwłaszcza jeśli w naszym portfolio mamy tysiące produktów rozsianych w wielu lokalizacjach, a każda grupa asortymentowa zachowuje się inaczej. Trudno bowiem wyobrazić sobie oglądanie historii sprzedaży każdego z produktów i ręczne nanoszenie wyliczonych manualnie korekt na bieżącą prognozę, celem uwzględnienia efektu dni kalendarzowych.
Z pewnością bardziej atrakcyjnym podejściem zarówno ze względów czasowych (czas przygotowania prognozy) jak i jakościowych (trafność prognozy) jest wykorzystanie modeli regresji do generowania prognozy statystycznej. Modele te są bardzo wrażliwe na dane, którymi muszą być zasilone. Dlatego w przypadku modelowania efektu dni kalendarzowych konieczne jest przygotowanie nie tylko danych opisujących kalendarz ze względu na daty występowania wspomnianych świąt czy wydarzeń, ale także informacji np. o przesunięciu w czasie okresowego wzrostu i spadku sprzedaży względem tych świąt czy wydarzeń. O ile właściwy opis danych jest zajęciem stosunkowo czasochłonnym to na szczęście może ono być wykonane w zasadzie raz do roku. Raz a dobrze wykonane pozwoli nam na uniknięcie ryzyka wpadnięcia w sytuacje out-of-stock w okresach wzrostu popytu oraz overstock w okresach spadku popytu.
Aplikacja Dature wykorzystuje uczenie maszynowe i sztuczną inteligencję do prognozowania popytu z uwzględnieniem wpływu efektu dni kalendarzowych i promocji mających istotny wpływa na sprzedaż. Dzięki temu znacząco zwiększa trafność prognoz w porównaniu do tradycyjnych modeli prognostycznych. Połączenie prognozowania popytu z modułem optymalizacji zapasów Dature pozwala określić właściwe poziomy zapasów oraz generuje optymalne rekomendacje zatowarowania dla naszych kanałów i/lub punktów sprzedaży.
Jeśli chciałbyś dowiedzieć się więcej jak wykorzystanie uczenia maszynowego i sztucznej inteligencji może pomóc Ci w podniesieniu trafności prognoz skontaktuj się z nami. Chętnie pomożemy Twojej firmie.
Część 2 W pierwszej części artykułu koncentrowaliśmy się na wyzwaniach w prognozowania popytu i optymalizacji zapasów w branży chemicznej oraz wykorzystania AI do poprawy tych procesów. […]
Część 1 Prognozowanie popytu i optymalizacja zapasów mają kluczowe znaczenie dla branży chemicznej, która boryka się z dużą zmiennością, niepewnością i złożonością łańcucha dostaw. Niektóre z […]
Część II – zintegrowane planowanie, prognozowanie i zatowarowanie w branży spożywczej W branży spożywczej dokładne prognozowanie i efektywne zarządzanie zapasami mają kluczowe znaczenie dla sukcesu. Wspólne […]