Что думает искусственный интеллект по поводу прогнозирования спроса?

Искусственный интеллект – один из самых мощных прорывов в науке за последние несколько лет, который прочно утвердился в нашей жизни. Алгоритмы «машинного обучения» можно заметить повсюду, например, автоматизация распознавания (текст, аудио, изображения, видео, лица, голос и т.д.).

Forecast NOW! охотно следит за трендами, поэтому уже давно использует нейросети для выполнения повседневной работы.
На этот раз наша команда решила узнать мнение у СhatGPT* по поводу прогнозирования спроса, поэтому мы задали «умным алгоритмам» актуальный для нашей отрасли вопрос:

«Какой самый эффективный метод прогнозирования спроса?»
Ответ – на фото.

* ChatGPT - это чат-бот c искусственным интеллектом, который способен вести диалог, искать ошибки в коде, сочинять стихи, отвечать на вопросы, писать сценарии и даже спорить.

Через полчаса, в 12:00, начинаем вебинар «Ключевые показатели эффективности в управлении запасами. Что нужно измерять и зачем?». Присоединяйтесь по ссылке: https://www.youtube.com/watch?v=KOb-Mh9-c3g

Добрый день, в прошлый четверг у нас проходил вебинар и часть людей, которые не успели на него, просили в личных сообщениях дать запись вебинара.
По ссылке в посте выше на трансляцию вебинара, можно также посмотреть и саму запись вебинара. Трансляция автоматически сохраняется, и ссылка не меняется.

От трендов в сфере управления запасами до угрозы социального неравенства из-за сокращения издержек и увольнений.

Мы взяли интервью у ChatGPT про будущее в сфере управления цепями поставок. Разговор получился очень осмысленным.

О чем говорили:

- Какие глобальные изменения произошли в последние годы и что нас ждет в ближайшие 5 лет?
- Может ли ИИ совершить ошибку и какие будут последствия?
- Могут ли монополисты использовать ИИ для искусственного создания дефицита и роста цен?
- Существует ли угроза того, что ИИ выйдет из под контроля?
- Как ChatGPT уже помогает специалистам по закупкам?
- Будут ли массовые увольнения и сможет ли ИИ заменить человека?
- Какие навыки нужно развивать специалистам по утз уже сейчас?

Интервью читайте по ссылке https://telegra.ph/Ot-trendov-v-sfere-upravleniya-zapasami-do-ugrozy-socialnogo-neravenstva-iz-za-sokrashcheniya-izderzhek-i-uvolnenij-O-chem-my-go-03-31-2

На наш взгляд получилось интересно. А что думаете вы? Делитеcь в комментариях!

Как сделать так, чтобы запасов на складе было ровно столько, сколько нам нужно, а расходы на доставку и хранение товаров были минимальны?

В этом помогут модели управления запасами.

В видео рассмотрели достоинства и недостатки нескольких распространенных моделей:

➖Модель с фиксированным размером заказа;
➖Модель с фиксированным интервалом времени между заказами;
➖Модель с установленной периодичностью пополнения запасов до установленного уровня;
➖Модель "Минимум-Максимум".

В качестве бонуса разобрали направления предприятий, которые чаще всего прибегают к использованию представленных моделей в своем бизнесе.
https://youtu.be/eMFUCDgCfJA

Как планировать продажи сезонных товаров? Как управлять сезонностью в течении недели и даже в течении дня? Как спрогнозировать эффективность во время проведения акции и спрос после её проведения? Как учесть каннибализацию со стороны продвигаемого товара на заменители?

25 мая в 12:00 проведем бесплатный вебинар «Как прогнозировать сезонные товары и промоакции без дефицита и неликвидов?». Будем говорить о том, как управлять всеми видами сезонности, как прогнозировать различные виды промоакций и оценивать их эффективность.

Какие темы разберем:

• виды сезонности (месячная, недельная, внутринедельная);
• как управлять сезонными группами товаров?
• как спрогнозировать эффект будущих промоакций и учесть его в закупках?
• что делать, если нужно привезти товар под промоакцию заранее?
• особые типы промоакций - презентационный запас, объемные акции клиентов, заказ нематричных товаров под акцию;
• как можно учитывать события, сильно влияющие на спрос (пандемия, нарушение логистических цепочек, праздники и пр.)?
• и многое другое.

Регистрируйтесь по ссылке:
https://fnow.ru/webinars/prognozirovanie-sezonnyh-tovarov-i-promoaktsii

Написали статью о интегрированном планировании в компании. Рассказываем, как обычно устроен этот процесс и какие проблемы возникают. Разбираемся, как современные системы планирования и прогнозирования могут помочь и в чем их недостатки. В заключительной части говорим о том, почему сквозное моделирование запасов по всей цепи поставок – это важно и в чем отличие Forecast NOW! от других систем.

https://fnow.ru/articles/kak-skvoznoe-prognozirovanie-zapasov-pomogaet-kompaniyam-byt-effektivnymi-v-usloviyakh-turbulentnosti?utm_source=telegram&utm_medium=post&utm_campaign=integrirovanoe-planirovanie

Через час, в 12:00, начинаем вебинар «Как прогнозировать сезонные товары и промоакции без дефицита и неликвидов?».

Присоединяйтесь по ссылке: https://youtube.com/live/aVkbOPlRcq4

Почему нужно сразу моделировать заказ, а не прогнозировать спрос и запас отдельно?

Распространенный подход планирования запасов – это сначала посчитать остатки и сделать прогноз спроса. Далее на его основе спрогнозировать товарный запас. И только после этого рассчитать заказ поставщикам.

Недостаток здесь в том, что любой прогноз имеет погрешность и каждая следующую итерация лишь усиливает её. В итоге получаем низкую точность на выходе.

Второй момент – это запасы на филиалах, которые пополняются с распределительного центра. При таком подходе отследить реальные остатки на дату поступления товара и потребность филиалов практически невозможно. А значит страховой запас на них будет сильно завышен.

Какая этому подходу есть альтернатива, рассказываем в статье. https://fnow.ru/articles/pochemu-nuzhno-srazu-modelirovat-zakaz-a-ne-prognozirovat-otdelno-spros-i-zapas?utm_source=telegram&utm_medium=post&utm_campaign=post

Добрый день, коллеги!
На прошлой неделе провели вебинар «Как прогнозировать сезонные товары и промоакции без дефицита и неликвидов?».

Для тех, кто не успел присоединиться, выкладываем ссылку на запись вебинара:

https://youtu.be/YvZ_8xdkOKg

Следите за новостями нашего канала, чтобы не пропустить дату следующего вебинара.

Грамотное управление страховым запасом является важным элементом конкурентоспособности компаний в современном бизнесе.

Существуют разные точки зрения на то, каким образом следует учитывать страховой запас. Некоторые сторонники традиционного подхода считают его неотъемлемой частью управления запасами. В то время как другие предлагают сразу считать оптимальный запас, а не отдельно прогнозируемый товарный запас и страховой запас.

В данном видео мы рассмотрели эту проблему и ответили на вопрос: всегда ли нужно отдельно считать страховой запас или этому есть какая-то альтернатива?

Понимание различных подходов поможет нам определить, наиболее эффективное и соответствующее решение для разных сфер бизнеса.
https://www.youtube.com/watch?v=X5PDdnZCipo

6 июля в 12:00 (МСК) проведем презентацию новой версии Forecast NOW!

Расскажем, какие новинки появились в программе, какие изменения произошли в алгоритмической базе, и как это скажется на эффективности планирования запасов.

Участие доступно для всех желающих после регистрации по ссылке ниже: https://fnow.ru/webinars/obzor-izmeneniy-v-forecast-now-versii-5-2

20 июля в 12:00 (МСК) проведем воркшоп «Как очистить и подготовить историю продаж, чтобы получить корректный прогноз спроса?»

Поделимся опытом по восстановлению спроса из истории продаж, расскажем об аномальных продажах, дефиците, акциях и других факторах, которые могут повлиять на историю продаж, а также дадим рекомендации, как эти факторы учесть.

План воркшопа:

1. Почему продажи не равны спросу и что брать для дальнейших расчетов?
2. Аномальные продажи. Как их найти и почему не рекомендуется учитывать;
3. Дефициты. Как их учесть при обработке данных?
4. Неслучайное отсутствие спроса. Можно ли его найти и нужно ли учитывать?
5. В прошлом было много акций - как сделать корректировку на их влияние?
6. Что делать, если крупный клиент перестал закупать конкретный товар - как не завысить прогноз спроса в таком случае.

Хотите, чтобы на воркшопе сделали разбор по вашим данным, напишите нам на почту webinar@forecastnow.ru и мы вышлем подробную информацию.

Участие доступно для всех желающих после регистрации по ссылке ниже:
https://fnow.ru/webinars/kak-podgotovit-istoriyu-prodazh

Добрый день, коллеги!

6 июля состоялась презентация новой версии Forecast NOW!

Для тех, кто не успел присоединиться, выкладываем ссылку на запись вебинара: https://www.youtube.com/watch?v=_J_pJL5N7cE

Напоминаем, что 20 июля в 12:00 (МСК) проведем воркшоп «Как очистить и подготовить историю продаж, чтобы получить корректный прогноз спроса?»

Регистрация доступна по ссылке: https://fnow.ru/webinars/kak-podgotovit-istoriyu-prodazh

Как понять, что пришло время внедрять специализированную систему управления запасами?

В видео раскрыли 6 признаков, которые свидетельствуют о том, что бизнес-процессы в вашей компании выстроены недостаточно эффективно, и стоит задуматься о внедрении системы управления запасами.

Если вам знакома хотя бы одна из этих проблем, и вы в поиске вариантов решения, оставляйте комментарий под этим постом, а мы проконсультируем вас.
https://www.youtube.com/watch?v=9uX87QPocE8

Через час, в 12:00 начинаем воркшоп «Как очистить и подготовить историю продаж, чтобы получить корректный прогноз спроса?»

Присоединяйтесь по ссылке: https://youtube.com/live/p4U2l7_a2ro?feature=share

Почему не внедряется система управления запасами? Человеческий фактор.

Одна из основных причин неудачи при внедрении – это саботаж со стороны сотрудников. Он может быть вызван разными причинами. Важно понимать их и вовлекать сотрудников еще до начала внедрения.

В статье мы делимся своим опытом, основанным на 80+ внедрениях, с какими проблемами и возражениями со стороны сотрудников сталкиваются компании и даем рекомендации по их устранению.
https://fnow.ru/articles/pochemu-ne-vnedryaetsya-sistema-upravleniya-zapasami-chelovecheskiy-faktor?utm_source=telegram&utm_medium=post&utm_campaign=article

Подготовили подробное руководство, в котором разбираем методы управления страховым запасом. Из него вы узнаете:

– Как рассчитать страховой запас.
– Какие факторы влияют на его величину.
– Как можно его сократить без ущерба для объема продаж.
– Можно ли вообще обойтись без страхового запаса.
– Как управлять страховым запасом через уровень сервиса.
– И многое другое.

Более 30 страниц полезной информаций со множеством примеров и конкретных рекомендаций.
https://fnow.ru/rukovodstvo-kak-sekonomit-na-strakhovom-zapase?utm_source=telegram&utm_medium=post&utm_campaign=white-paper-safety-stock

На прошлой неделе мы перевели статью «Почему специалисты по прогнозированию не используют машинное обучение», которая была опубликована в издании Journal of Business Forecasting. Прогнозирование с помощью машинного обучения и ИИ сейчас очень популярно среди аналитиков и специалистов по Data Science. Но что не так, когда речь заходит о прогнозировании спроса? Ответ на вопрос - в статье. Мы же подготовили короткую выжимку.

Итак, какие подводные камни и возможности машинного обучения приводит автор:

Специалисты по прогнозированию и специалисты по Data Science по-разному определяют понятие "прогнозирование"

Традиционное прогнозирование – это предсказание будущего, которое может быть подвергнуто влиянию экспертного мнения. Его результаты легко интерпретировать: специалист по прогнозированию понимает, откуда берутся числа и может вносить коррективы по мере необходимости.

Прогнозирование для машинного обучения означает «предсказание» прошлого. Идея заключается в сравнении прогнозов с реальностью и дальнейшей настройке модели. Следовательно, прогнозы модели в значительной степени зависят от прошлой эффективности и почти невозможно их откорректировать.

Машинное обучение создано для цифрового мира с большим объемом данных. Но в реальном мире данных часто недостаточно, а ошибки прогнозирования дороже обходятся

Алгоритмы машинного обучения и ИИ созданы для цифрового мира с почти неограниченными данными о покупках и поведении пользователей. Однако реальный рынок сильно отличается от цифрового. Здесь нет такого количество данных и зачастую многое не попадает в учетную систему, например, промо. Кроме того, прогнозы не могут сами себя улучшать, так как нет автоматической обратной связи.

Машинное обучение требует гораздо больше данных, чем традиционные методы прогнозирования

Для того, чтобы корректно обучить модель на основе машинного обучения требуется провести тысячи экспериментов на большом количестве хорошо подготовленных данных, которые далеко не всегда есть у компаний. Если выборка ограничивается всего 10 магазинами, лучше воздержаться от машинного обучения и использовать методы временных рядов. Еще один факт, который стоит здесь учитывать – это стоимость подготовки и поддержки данных. Каковы будут затраты на хранение данных на протяжении лет?

Результаты машинного обучения сложно интерпретировать и объяснить, в отличие от традиционных методов

Машинное обучение и ИИ – это черных ящик. Прогнозы могут быть сгенерированы на основе голосования тысяч деревьев принятия решений. Можно использовать красочные гистограммы для иллюстрации веса каждого фактора в модели. Эти диаграммы выглядят очень умно на слайдах презентаций, но они далеки от интуитивного понимания. Главный вопрос – готовы ли компании рискнуть, если стоимость ошибки может составлять миллионы?

Не всегда понятна стоимость и выгода от внедрения машинного обучения для конкретной компании

Хорошо настроенные алгоритмы машинного обучения могут быть очень эффективны, но сложность настройки может варьироваться от очень простой до чрезвычайно сложной.

Продукты с богатой историей могут быть легко прогнозируемы даже с использованием стандартных пакетов машинного обучения. Прогнозы для новых продуктов могут потребовать сложных алгоритмов-заменителей для работы с ограниченными данными. Это может потребовать разработки алгоритмов машинного обучения с нуля и интеграции данных из разных источников, что в свою очередь потребует существенных инвестиций и расширение команды

Переход на машинное обучение может повлиять на другие процессы в компании

Любые изменения в процессе прогнозирования вероятнее всего повлияют на другие сферы бизнеса, такие как финансы и управление цепочками поставок. Возможно придется перестраивать привычные бизнес-процессы в компании. Если это будет сделано неправильно, то приведет к расхождениям между прогнозами на основе машинного обучения и финансовыми планами и планами поставок

В целом машинное обучение может быть полезным инструментом для оптимизации прогнозирования, если правильно оценить его применимость, риски и затраты для конкретной компании.

Сколько товаров нужно продать в следующем месяце, какого поставщика выбрать и как удержать клиентов? Вероятнее всего, вам знакомы эти вопросы.

Практически любой вид бизнеса, зависящий от потребительского спроса, нуждается в прогнозировании.
Но, как понять, какой из методов подходит именно вашей компании?

Мы подготовили серию видео о классических методах прогнозирования, в которых разобрали достоинства и недостатки каждого. Начнем с расчета по среднему, он же - скользящая средняя.

Есть ли среди наших коллег те, кто сейчас использует этот метод при прогнозировании спроса? Поделитесь своим мнением по внедрению.

https://youtu.be/I7Swuj1StQw?feature=shared