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

Как прогнозировать спрос на новые товары?

Эта задача, которая актуальна во все времена. К сожалению, волшебной таблетки здесь нет. В новой статье описываем, какие варианты её решения существуют. Давайте разбираться. Для простоты разделим новые товары на 3 группы:

- Ротация ассортимента
- Расширение ассортимента
- Продажи совершенно нового товара

Ротация ассортимента – это ситуация, когда один товар заменяет другой. Например, появилась новая модель мобильного телефона.

В этом случае для прогнозирования спроса можно использовать историю продаж аналогов, выведенных из ассортимента.  Принцип здесь простой - рассчитывать заказы по истории продаж старого товара пока не будет накоплена достаточная история продаж по новому товару. 

Подобрать товар со схожей историй продаж можно экспертным путем, либо программными средствами. Во втором случае, программа, которую вы используете для прогнозирования, может по определенным параметрам найти похожие товары. 

Расширение ассортимента - эта ситуация, когда в ассортиментную линейку добавляется еще один похожий товар.  Допустим, вы планируете расширить линейку из 5 йогуртов с различными вкусами еще одним, 6-м. Здесь ситуация будет несколько сложнее, чем в предыдущем случае. Например, общие продажи йогуртов с 5 вкусами составляют 100 штук в день. Как будет продаваться новый вкус и какую долю продаж он “отъест” от других вам не сможет сказать ни один эксперт и ни одна программа.

Тут возможны два варианта прогнозирования:

- Для группы товаров, в нашем случае 5 видов йогуртов, считаем продажи на каждый вид в процентном соотношении. Сделать это можно в ручную или через программу автозаказа. Далее в группу добавляем еще один товар и экспертным путем определяем соотношение продаж теперь уже группы из 6 позиций. Такое разделение поможет сделать первые заказы, которые далее уже будут корректироваться. Если в прошлом уже были подобные расширения ассортимента, то можно их взять за основу, что определить величину нового заказа.

- Выбираем наиболее близкий товар к новому и используем его историю продаж как при ротации ассортимента.

Совершенно новый товар. Это товар, который вводится в ассортиментную матрицу впервые.Если нет аналогов или похожих товаров, то здесь поможет только экспертная оценка. Если специалист хорошо знает рынок, то по набору свойств и характеристик товара, он может предположить, какой будет спрос. Также предполагаемый прогноз может предоставить отдел маркетинга. Основываясь на эту оценку можно будет сделать заказ. 

После того, как первая партия была заказана, можно продолжать экспертно оценивать будущие заказы либо использовать простые алгоритмы, например, по-среднему.

После накопления истории продаж и возможности оценить периоды дефицитов, уже можно будет переходить к более современным алгоритмам прогнозирования, таким, как вероятностное. 

В статье на сайте дополнительно разбираем, какой минимальный набор возможностей должна иметь система управления запасами, чтобы можно было эффективно работать с новыми товарами.

20 октября в 12:00 (МСК) проведем вебинар на тему «Тонкости работы с клиентами: прогнозирование, резервирование, сегментация».

Расскажем про выстраивание дистрибуции: работу с базой клиентов, управление акциями в разрезе клиентов и распределение задач.

Ссылка на регистрацию: https://fnow.ru/webinars/vebinar-tonkosti-raboty-s-klientami?utm_source=telegram&utm_medium=post&utm_campaign=webinar-tonkosti-raboty-s-kkientami

О чем будем говорить на вебинаре:

1. Сегментация клиентов

• Как разбить клиентов на категории;

• Цели и задачи сегментации клиентов;

2. Управление запасами с поклиентской детализацией

• Прогноз или запас в разрезе клиентов;

• Политика резервирования;

• Как проводить фильтрацию аномальных продаж в разрезе клиентов?

• Что делать с прогнозом, если крупный клиент отвалился или наоборот пришел?

• Можно ли объединять клиентов для целей прогнозирования

3. Управление акциями в разрезе клиентов

• Как учесть дополнительные объемы спроса под акцию конкретного клиента?

• Резервирование товара под поклиентские акции.

Нам важно ваше мнение.

Вебинар подошел к концу, а мы собираем обратную связь.

Коллеги, поделитесь своими впечатлениями о прямом эфире.
Что понравилось в вебинаре? Что стоит доработать или изменить? Возможно, у вас остались какие-то вопросы?
Мы всегда рады ответить! Напишите нам в комментариях под этим постом или на почту webinar@forecastnow.ru

А сейчас приглашаем на обсуждение в комментарии. ⬇️

Точность прогнозирования или прибыль? Что нужно измерять, чтобы оценить эффективность управления запасами?

Точность прогнозирования – одна из самых распространенных метрик среди специалистов по управлению запасами. Своей популярностью она обязана иллюзией простоты и понятности. Этот показатель очень хорош для презентаций и отчетов. Но как он соотносится с прибылью компании и с другими метриками управления запасами? Разбираемся в этом в статье
https://fnow.ru/articles/tochnost-prognozirovaniya-ili-pribyl-chto-nuzhno-izmeryat?utm_source=telegram&utm_medium=article&utm_campaign=forecast-accuracy