«БСХ Бытовые Приборы» внедрила автоматизированное решение по прогнозированию спроса с помощью машинных алгоритмов

2019: Автоматизация прогнозирования продаж, расчета стоков и планирования промоакций

3 декабря 2019 года компания GoodsForecast сообщила, что компания «БСХ Бытовые Приборы» внедрила дополнительные методы прогнозирования продаж, расчета стоков и планирования промоакций, основанные на прогнозных моделях, разработанных компанией GoodsForecast с применением технологий машинного обучения (machine learning, ML).

Для БСХ было создано автоматизированное решение по прогнозированию спроса с помощью машинных алгоритмов, которое позволило упростить процесс планирования товаров категории B и С с невысоким уровнем продаж.

«Автоматический прогноз сэкономил нам время на решение задач, стоящих перед специалистами отдела планирования. Важным фактором является то, что в компании уже успешно функционировала система прогнозирования спроса, и многие процессы были выстроены. Внедрять элементы машинного обучения без налаженного бизнес-процесса бесполезно», отметил Павел Соболев, руководитель проектов БСХ Россия

Также БСХ внедрила автоматизированный способ расчета оптимального уровня страхового запаса на складах (так называемого Safety Time). Этот параметр система определяет на основе волатильности качества поставок и предсказуемости продаж. Благодаря такому способу расчета страхового уровня стоков компания за время реализации проекта сократила запасы на складах примерно на 9% и стала точнее управлять оборачиваемостью и уровнем сервиса по разным группам товаров.

До реализации автоматического расчета в БСХ уже действовала система автоматического формирования заказов на заводы, в которой ежедневно формировались потребности производства. Но контролировать вручную параметры страхового запаса для каждого вида товара было сложно.Как DevOps-сервис помогает «разгрузить» высоконагруженные системы BPMSoft 2 т

Решено было изменить подход к расчетам страхового запаса и создать систему, в которой пользователи могли бы в полуавтоматическом режиме корректировать основной показатель, моделируя целевые уровни сервиса и оборачиваемости товаров. Если традиционно уровень страхового запаса рассчитывается по стандартной формуле Safety Stock, то есть в штуках, то в кейсе БСХ его заменили на Safety Time (исчисляется в днях). Это обеспечило ряд преимуществ: Safety Time не требует постоянной корректировки, так как, в отличие от Safety Stock, не зависит от сезона, его легче проверить, и он может быть усреднен для схожих товаров.

«Прежде этот параметр определяли на основании экспертных оценок, не зная точно, как его обосновать. Интуитивно понимали, что на тот или иной товар нужно заложить определенное количество дней, а почему и к каким результатам это приведет, было не всегда понятно», отметил Павел Соболев, руководитель проектов БСХ Россия

Анализ «больших данных» (Big Data) также помог БСХ сократить время на планирование и оценку промоакций – в среднем на 20-30 минут на каждую: разработанные GoodsForecast математические алгоритмы позволяют еще на этапе согласования промоакции автоматически рассчитать базовый уровень продаж, очищенный от эффекта промо. Эффект промоакции стало возможно оценивать как разницу между базовым уровнем и фактическим уровнем продаж.