Porządkowanie danych
Zebraliśmy historię sprzedaży, promocji, kalendarz handlowy i dane o stanach magazynowych do wspólnego pipeline'u analitycznego.
Wdrożenie modelu predykcyjnego dla sklepu internetowego z dużą sezonowością sprzedaży i ręcznym planowaniem zamówień. Celem nie było „mieć AI”, tylko ograniczyć koszt błędnych decyzji zakupowych.
Klient prowadził sprzedaż w modelu sezonowym, z dużą liczbą SKU i częstymi akcjami promocyjnymi. Planowanie zamówień odbywało się ręcznie na podstawie raportów historycznych i doświadczenia kupców.
Skutkiem były dwa powtarzające się problemy: nadmiarowe zapasy po kampaniach oraz braki najlepiej rotujących produktów w okresach wzrostu popytu. Błąd prognozy przekładał się bezpośrednio na zamrożony kapitał albo utraconą sprzedaż.
Zebraliśmy historię sprzedaży, promocji, kalendarz handlowy i dane o stanach magazynowych do wspólnego pipeline'u analitycznego.
Zastosowaliśmy model XGBoost z feature engineeringiem uwzględniającym sezonowość, cenę, promocje i opóźnienia logistyczne.
Wyniki prognoz zostały podłączone do procesu planowania w ERP oraz do raportu używanego przez zespół zakupowy.
Wdrożyliśmy monitoring jakości prognoz i prostą interpretację odchyleń, żeby zespół mógł szybciej reagować na wyjątki.
Ustaliliśmy, które kategorie produktowe mają największy wpływ na wynik i jak mierzyć poprawę względem dotychczasowego procesu.
Na wybranym fragmencie asortymentu porównaliśmy model z dotychczasową metodą planowania i sprawdziliśmy użyteczność biznesową wyniku.
Prognozy zostały osadzone w cotygodniowym procesie planowania, zamiast funkcjonować jako osobny eksperyment analityczny.
Po wdrożeniu dopracowaliśmy obsługę wyjątków, zasady aktualizacji modelu i sposób pracy zespołu na rekomendacjach.
Zespół przestał opierać planowanie wyłącznie na retrospekcji i intuicji, a zaczął pracować na prognozie z jasnym poziomem pewności.
Planowanie tygodniowe skróciło się z dwóch dni do około dwóch godzin, bo analityka była gotowa przed spotkaniem zakupowym.
Zmalała liczba nadmiarowych zapasów, a jednocześnie udało się ograniczyć braki najlepiej rotujących produktów.
Po stabilizacji modelu klient rozszerzył podejście na kolejne grupy produktowe i włączył predykcję do planowania promocji.
Jeśli masz dane historyczne i konkretną decyzję biznesową do poprawy, sprawdzimy, czy sensowniejszy będzie audyt danych, proof of concept czy od razu wdrożenie.