Poprawa dokładności planowania popytu poprzez integrację analiz pogodowych

Jim Lewis, CEO Enhanced Retail Solutions LLC

Przegląd

Szacowanie przyszłej sprzedaży jest coraz trudniejsze, biorąc pod uwagę tak wiele czynników. Gospodarka, niespójność stanów magazynowych, zmiany w asortymentach i wzorcach zakupowych konsumentów to tylko niektóre z nich. Większość planistów zapasów opiera swoje prognozy na historycznych wynikach sprzedaży. Jednak ta historia może wymagać dostosowania, aby odzwierciedlić bardziej realistyczną podstawę. Podczas gdy wiele prognoz jest dostosowanych do sezonowości, bardziej solidne korekty można wprowadzić, integrując popyt związany z pogodą. W przypadku kategorii produktów, na które ma wpływ pogoda – w tym temperatura lub opady – dostrajanie prognozy opartej na tym sygnale popytu zaprojektowanym w oparciu o tę funkcję znacznie poprawia przewidywalność przyszłej sprzedaży. ERS i Planalityka nawiązały współpracę, aby pomóc firmom poprawić dokładność prognoz. Ten przykład przedstawia krok po kroku proces, który stosujemy w naszym kompleksowym podejściu do prognozowania.

Krok 1: Wymagania dotyczące danych i platforma technologiczna

Dane POS według lokalizacji (sklepu) są niezbędne do zbudowania najdokładniejszej prognozy. Potrzebujesz spójnego przepływu danych przez wystarczający okres, aby zapewnić rozsądną podstawę. Chociaż większość z nas korzysta z programu Excel, nie jest to najskuteczniejszy sposób zarządzania dużą ilością integracji danych i wykonywania wszystkich obliczeń. W przypadku producentów i sprzedawców detalicznych, którzy muszą prognozować tysiące, setki tysięcy lub miliony SKU, wymagane jest bardziej wyrafinowane i zautomatyzowane podejście. System taki jak aplikacja ERS Intelligentretail.net automatyzuje i zarządza danymi, parametrami (czas realizacji, krzywe sprzedaży itp.), logiką i regułami biznesowymi. System wykorzystuje relacyjną bazę danych opartą na języku SQL i jest połączony z potężnym narzędziem wizualizacyjnym – PowerBI firmy Microsoft.

Krok 2: Zbieranie danych

Zapewnienie spójnego przepływu danych dotyczących sprzedaży i zapasów jest niezbędne do dokładnego raportowania i prognozowania. Sprzedaż jednostkowa i dostępne zapasy to minimalne punkty danych wymagane do przeprowadzenia analizy. Istnieje wiele sposobów gromadzenia danych dotyczących sprzedaży i zapasów, w tym EDI 852 i uzyskiwanie danych bezpośrednio z portali sprzedawców detalicznych. Preferujemy EDI, ponieważ można go zautomatyzować od początku do końca, a po przetłumaczeniu można go przechowywać w relacyjnej bazie danych.

Przykład surowych danych EDI 852, które można przetłumaczyć i wprowadzić do bazy danych. Może zawierać sprzedaż jednostkową i dolarową, a także dostępne zapasy według SKU według sklepu.

Nasz partner, Planalityka zapewnia analizy popytu oparte na pogodzie według kategorii produktów według daty i lokalizacji. Pozwala nam to ilościowo zrozumieć, w jaki sposób pogoda może wpłynąć na sprzedaż między sklepami. Analizy te można zintegrować z systemem ERS na dużą skalę, aby uzyskać szereg korzyści biznesowych, w tym poprawę dokładności prognoz popytu.

Planalytics Dane o popycie zależnym od pogody

Przykład danych o popycie Planalytics opartych na pogodzie.

Krok 3: Zrozumienie podstawowej logiki

Prognozowanie może być tak proste lub wyrafinowane, jak chcesz. Najczęściej używana logika wykorzystuje krzywą sprzedaży (lub profil sezonowy) do określenia potencjału. To podstawowa algebra – jeśli potrafisz określić, ile transakcji zrobiono na jednej części krzywej, możesz matematycznie obliczyć, jaki będzie każdy inny punkt. Kluczem jest użycie dokładnej krzywej sprzedaży, która przedstawia wzorce ruchu klientów.

Przykład:

Jednostki sprzedaży z ostatnich 13 tygodni: 1000

Suma sezonu (krzywa) z ostatnich 13 tygodni: 7,5%.

Roczny potencjał: 1000/0,075 = 13 333 jednostek.

Załóżmy, że chcesz oszacować sprzedaż na następny tydzień. I powiedzmy, że przyszły tydzień jest wart 1,1%. Po prostu pomnóż roczny potencjał razy procent krzywej:

13 333 X 0,011 = 147 jednostek

Krzywa sprzedaży z Intelligentretail.net używana do planowania popytu.

Wykres danych krzywej sprzedaży przedstawiający procent sprzedaży według tygodnia. Uwaga szczyty i zastoje.

Kluczem jest upewnienie się, że krzywa sprzedaży jest realistyczna. Może opierać się na transakcjach klientów (ruch pieszy) lub historii sprzedaży. Krzywa może opierać się na różnych poziomach – kategoriach, podkategoriach, aż do koloru czy rozmiaru. Opierając się na trendach historycznych, krzywą sprzedaży należy skorygować o przesunięcia kalendarzowe (np. zmiany z roku na rok na Boże Narodzenie lub Wielkanoc), działania promocyjne itp. Do naszych celów używamy krzywych kategorii.

Krok 4: Korekta z tytułu utraconej sprzedaży

Logika działa dobrze, jeśli historia (sprzedaż z ostatnich 13 tygodni) stanowi ważny punkt odniesienia. Ale co, jeśli wysoki odsetek sklepów został wyprzedany w tym okresie? A może wystąpiła inna sytuacja, która odciągnęła sprzedaż od Twojego przedmiotu? W takim przypadku chcemy skorygować podstawę utraconej sprzedaży. Utracona sprzedaż ma miejsce, gdy w sklepie zabraknie towaru (Dostępne = 0), a w sezonie jest jeszcze czas na sprzedaż. W przypadku wyczerpania zapasów musimy określić wskaźnik sprzedaży, gdy sklep był w magazynie, a następnie obliczyć, co zostało utracone, gdy ich zabrakło. Wykonanie tych obliczeń na poziomie sklepu tworzy oddolną podstawę, która jest dokładniejsza.

Przykład:

Sklep 1234 sprzedawał średnio 6 sztuk tygodniowo, gdy był dostępny. Nie było go w magazynie przez 3 tygodnie. Utracona sprzedaż = 6 X 3 = 18 jednostek.

To może nie wydawać się dużo, ale po zsumowaniu dla wszystkich sklepów i wszystkich SKU może to być znaczące. Dokumentuje, jak optymalna była alokacja. Po skorygowaniu naszej bazy możemy uruchomić logikę w kroku 3, aby opracować naszą prognozę.

Prognoza krocząca przewiduje potrzeby w zakresie sprzedaży i zapasów według tygodnia lub miesiąca.

Prognoza krocząca z platformy Intelligentretail.net firmy ERS. Na podstawie danych POS, krzywych sprzedaży i różnych parametrów oblicza szacunkowe zapotrzebowanie na sprzedaż i zapasy według tygodnia i miesiąca.

Krok 5: Precyzyjne dostrajanie za pomocą analizy popytu zależnej od pogody

Na wzorce zakupowe ma wpływ pogoda. Może wpływać na ogólny ruch w sklepie i popyt na określone produkty. Jeśli wiemy, jak pogoda wpływa na konkretny sklep, możemy wprowadzić dalsze korekty do naszej prognozy. Nasi partnerzy w Planalityka podaj oczekiwaną zmianę popytu spowodowaną pogodą dla każdego produktu, lokalizacji i okresu.

Przykład:

Sklep 1234 ma prognozę 300 sztuk na następny tydzień. The Planalityka dane dla tej lokalizacji, dla tej kategorii produktów pokazują oczekiwany wzrost o +12% ze względu na pogodę. Możemy teraz wziąć nasze 300 jednostek X 1,12, aby uzyskać skorygowaną prognozę 336 jednostek.

Krok 6: Łączenie informacji

Dzięki integracji wszystkich danych na platformie ERS, w tym m.in Planalityka danych o popycie zależnych od pogody, cała logika i kroki odbywają się automatycznie. Możemy teraz przeglądać nasze dane w narzędziu do wizualizacji.

Prognoza ERS i popyt zależny od pogody zintegrowane w usłudze Microsoft PowerBI

Integracja danych prognozy i popytu zależnego od pogody w usłudze Microsoft Power BI.

Wniosek

Poprawa dokładności prognozy może mieć znaczący wpływ zarówno na sprzedaż, jak i zysk. A ponieważ wykorzystanie zapasów jest lepsze, koszt kapitału spada. Jeśli obecnie prognozujesz w arkuszu kalkulacyjnym, automatyzację możesz zaoszczędzić znaczną ilość czasu. Jedną z zalet narzędzi BI jest dostrzeganie wyjątków — artykułów o niskim lub wysokim stanie magazynowym, zmian trendów lub zakupów, które są potrzebne od razu, oraz uwzględnianie wahań popytu spowodowanych pogodą. Służy jako system ostrzegania, który pomaga szybko reagować na szanse i przeciwdziałać zagrożeniom. Co więcej, proces ten można dostosować do indywidualnych potrzeb Twojej firmy.

Aby uzyskać więcej informacji, skontaktuj się z Enhanced Retail Solutions pod numerem 646.553.6800 lub odwiedź stronę www.enhancedretailsolutions.com.

Leave a Reply