Ile towaru zamówić przed sezonem, ilu ludzi zaplanować w przyszłym miesiącu, czy na wiosnę zabraknie gotówki: małe firmy podejmują te decyzje, łącząc doświadczenie z liczbami z zeszłego roku. Prognozowanie sprzedaży z AI obiecuje robić to lepiej i potrafi, gdy dane są rzetelne, a oczekiwania realistyczne. Ten poradnik opisuje, jakich danych potrzeba, jak sprawdzić, czy prognoza jest dobra, i gdzie nie należy jej ufać.

Co naprawdę robi prognozowanie sprzedaży z AI

Model prognostyczny patrzy na dawną sprzedaż i uczy się z niej wzorców: ogólnego trendu, sezonowości w ciągu roku, różnic między dniami tygodnia, efektów świąt i wzrostu po promocjach. Następnie rzutuje te wzorce w przyszłość, najlepiej jako przedział, a nie pojedynczą liczbę, bo przyszłość jest niepewna, a przedział pokazuje, jak bardzo.

Prognozowanie z uczeniem maszynowym może też uwzględniać czynniki zewnętrzne, takie jak pogoda, lokalne wydarzenia czy wydatki marketingowe, i uczyć się wzorców wspólnych dla wielu produktów. Przy małych zbiorach danych prostsze metody statystyczne, jak wygładzanie wykładnicze, bywają jednak równie dokładne i łatwiejsze do wyjaśnienia. Staranna analiza próbuje obu i zostawia tę, która lepiej sprawdza się na Twoich danych. W praktyce prognozowanie popytu w małej firmie dotyczy mniej algorytmów, a bardziej danych, które się do nich wprowadza.

Ile historycznych danych sprzedaży potrzeba

  • Co najmniej dwa pełne lata dla wszystkiego, co sezonowe, aby każdy sezon pojawił się więcej niż raz. Przy jednym roku szczyt sezonowy i jednorazowe wydarzenie wyglądają tak samo.
  • Odpowiedni poziom szczegółowości. Tygodniowe sumy na produkt lub kategorię są często użyteczniejsze niż dzienne wartości na pozycję, które są zaszumione dla wolno sprzedających się towarów.
  • Spójne definicje. Sprzedaż rejestrowana tak samo w całym okresie, z tymi samymi kodami produktów i tymi samymi kanałami.

Nowe produkty i wolno rotujące rzadko mają wystarczającą własną historię. Lepiej prognozuje się je na poziomie kategorii lub pożyczając wzorzec podobnych produktów, niż jeden po drugim.

Czyszczenie historycznych danych sprzedaży, zanim zobaczy je jakikolwiek model

Czyszczenie danych zajmuje więcej czasu niż modelowanie i ma większe znaczenie. Typowe problemy, które psują historyczne dane sprzedaży:

  • Zwroty i anulowania zapisane jako sprzedaż albo w ogóle niezapisane.
  • Ten sam produkt pod kilkoma kodami po zmianie dostawcy lub przebudowie strony.
  • Sprzedaż w punkcie sprzedaży i online prowadzona w osobnych systemach z różnymi nazwami produktów.
  • Jednorazowe zamówienia hurtowe, które inaczej wyglądałyby jak początek trendu.
  • Promocje i braki magazynowe: tydzień wyprzedaży zawyża popyt, a tydzień bez towaru pokazuje zerową sprzedaż, choć klienci chcieli produktu. Oba trzeba oznaczyć, inaczej model wyciągnie złą lekcję.

Prowadź krótki dziennik tego, co zmieniono i dlaczego. Każdy, kto później przeczyta prognozę, będzie chciał to wiedzieć.

Ocena dokładności prognozy sprzedaży

Jedynym uczciwym testem jest backtesting prognozy: ukryj przed modelem ostatnie miesiące, niech je prognozuje i porównaj prognozę z tym, co faktycznie się stało. Powtórz to dla kilku okresów, nie tylko jednego.

  • Porównaj z prostym punktem odniesienia. "Ten sam tydzień rok temu" lub "średnia z ostatnich czterech tygodni" to wzorzec. Jeśli model go nie pokona, nie warto go uruchamiać.
  • Mierz błąd w kategoriach biznesowych. Sztuki lub dolary w tygodniu mówią kupcowi więcej niż abstrakcyjna ocena.
  • Sprawdź przedziały. Jeśli prognoza mówi, że sprzedaż w większości tygodni zmieści się w przedziale, policz, jak często naprawdę się mieściła.

Dokładność prognozy sprzedaży różni się w zależności od produktu i sezonu. Spodziewaj się, że stabilnie sprzedające się towary i sumy kategorii będą prognozowane dobrze, a nowe lub nieregularne produkty będą miały szerokie przedziały. Dlatego każdy model w naszej pracy nad analizą danych z AI dostaje notatkę o tym, jak dokładny był na danych z przeszłości i gdzie nie należy na nim polegać; prognoza jest narzędziem planowania, a nie obietnicą.

Zamiana prognoz w decyzje

Prognoza jest użyteczna dopiero wtedy, gdy zmienia decyzję. W planowaniu zamówień uzupełniających częste podejście to zamawianie, gdy stan spada do oczekiwanego popytu w czasie realizacji u dostawcy plus bufor bezpieczeństwa, przy czym przedział prognozy ustala wielkość tego bufora. Ta sama prognoza może kierować obsadą na pracowite tygodnie i planowaniem gotówki na spokojne.

Co miesiąc porównuj prognozy z faktyczną sprzedażą. Gdy różnica rośnie, coś się zmieniło, na przykład pojawił się nowy konkurent, zmieniła się cena albo nawyki klientów, i model potrzebuje świeżych danych lub decyzji człowieka.

Najczęściej zadawane pytania: prognozowanie sprzedaży z AI

Czy AI może prognozować sprzedaż zupełnie nowego produktu?

Nie z jego własnej historii, bo jej nie ma. Zwykle korzysta się z historii podobnych produktów lub kategorii, a potem szybko aktualizuje prognozę, gdy napływa prawdziwa sprzedaż.

Czy Excel wystarczy do prognozowania?

Na pierwszy rzut oka często tak. Arkusz prognozy w Excelu i funkcja FORECAST.ETS używają wygładzania wykładniczego i radzą sobie z sezonowością. Wyspecjalizowane narzędzia zasługują na miejsce, gdy produktów jest wiele, trzeba uwzględnić czynniki zewnętrzne albo prognozy muszą odświeżać się automatycznie.

Jak często aktualizować prognozę?

Tak często jak decyzje, które wspiera: co tydzień dla szybko rotujących towarów, co miesiąc dla obsady i planowania gotówki. Ponowne trenowanie modelu na nowych danych co miesiąc lub kwartał chroni go przed dryfem.

Chcesz wiedzieć, czy Twoje dane udźwigną prognozę? Nasza usługa analizy danych z AI zaczyna od eksportów z systemów sprzedaży, księgowości lub sklepu, czyści je i łączy, a następnie dostarcza prognozy i wykresy z prostą notatką o ich granicach, korzystając z usług klasy biznesowej z wyłączonym trenowaniem lub z modeli lokalnych. Skontaktuj się z nami, podając używane systemy i pytania biznesowe, na które chcesz uzyskać odpowiedź.