پیشبینی تقاضای شعبه - وقتی مازاد یک شعبه، کمبود شعبه دیگر است
در بقیه مقاله‌های این ستون، موضوع رفتار مشتری بود. در فروشگاه زنجیرهای مسئله جای دیگری است: کالا در شعبه اشتباه است. همان کالایی که در یک شعبه ماه‌ها روی قفسه مانده، در شعبه‌ای دیگر تمام شده - و هر دو هزینه دارند.
محصول آماده کارن تکنولوژی
این را روی داده واقعی کسب‌وکار خودتان ببینید
آنچه در این مقاله می‌خوانید، در محصولات کارن پیاده‌سازی شده است. در جلسه دمو، همان را روی داده و فرآیند خودتان اجرا می‌کنیم.
درخواست دمو رایگان یا تماس بگیرید: ۰۲۱-۸۸۶۱۴۲۸۲در این صفحه
مسئله توزیع است، نه تقاضا
مدیر خرید فروشگاه زنجیرهای معمولاً تقاضای کل را نسبتاً خوب می‌شناسد. آنچه نمی‌داند، توزیع آن تقاضا بین شعب است - و همان‌جا هزینه تولید میشود.
دو هزینه همزمان و پنهان:
- موجودی راکد - سرمایه‌ای که روی قفسه خوابیده و فضای قفسه‌ای که اشغال کرده
- فروش از دست رفته - مشتری که آمد و کالا نبود، و معمولاً هیچ‌جا ثبت نمی‌شود
واحد پیشبینی: شعبه، کالا، هفته
پیشبینی در سطح کل شبکه بی‌فایده است چون تصمیم در سطح شعبه گرفته میشود. پیشبینی در سطح روز هم معمولاً نویز است. واحد عملی، ترکیب شعبه و کالا و هفته است.
و همین واحد، مسئله را سخت میکند: تعداد ترکیب‌ها بزرگ است و بسیاری از آن‌ها داده کمی دارند. کالایی که در یک شعبه هفته‌ای دو عدد فروش دارد، الگوی قابل مدلسازی روشنی ندارد.
راه‌حل عملی، گروهبندی است: شعب مشابه و کالاهای مشابه با هم مدل میشوند و الگوی گروه به عضو کمداده تعمیم پیدا میکند. این تصمیم طراحی، معمولاً بیشتر از انتخاب الگوریتم روی نتیجه اثر دارد.
چرا خروجی باید پیشنهاد جابه‌جایی باشد
عددِ پیشبینی بهتنهایی تصمیم نیست. مدیر منطقه با «تقاضای هفته آینده این کالا در این شعبه ۱۴ عدد است» کاری نمی‌تواند بکند.
آنچه قابل استفاده است: «۲۰ عدد از این کالا در شعبه الف مازاد است و در شعبه ب کمبود پیشبینی میشود؛ پیشنهاد انتقال» - با در نظر گرفتن هزینه و زمان انتقال.
این یعنی مدل پیشبینی باید به یک لایه تصمیم وصل شود که محدودیت‌های واقعی را می‌شناسد: ظرفیت انبار شعبه، هزینه حمل، و اینکه بعضی کالاها اصلاً قابل جابه‌جایی نیستند.
موجودی راکد شما در کدام شعبه‌هاست؟
در جلسه ارزیابی، وضعیت داده فروش شعب شما بررسی میشود و می‌گوییم پیشبینی در سطح شعبه امروز شدنی است یا نه.
داده‌ای که معمولاً وجود ندارد
دو داده در این کاربرد حیاتی‌اند و در بیشتر فروشگاه‌ها ثبت نمی‌شوند:
- موجودی صفر در لحظه - اگر ندانید کالا چه روزهایی اصلاً موجود نبوده، فروش صفر آن روزها را بهعنوان «تقاضای صفر» یاد می‌گیرید، که غلط است
- تاریخ و نوع پروموشن - جهش فروش در هفته تخفیف، اگر برچسب نخورد، الگوی کاذب می‌سازد
اولی اهمیت ویژه دارد: مدلی که بدون آن آموزش ببیند، کالاهای پرفروشی را که مدام تمام میشوند، کم‌فروش تشخیص می‌دهد و سفارششان را کم میکند - یعنی دقیقاً برعکس آنچه باید.
گردش‌کار
۱. یکپارچه‌سازی فروش شعب
داده صندوق همه شعب با تقویم شمسی و برچسب رویدادها - مناسبت‌ها، تعطیلات و پروموشنها.
۲. گروهبندی شعب و کالاها
شعب مشابه و کالاهای مشابه با هم مدل میشوند تا اقلام کمداده هم پوشش بگیرند.
۳. پیشبینی در سطح شعبه-کالا-هفته
با در نظر گرفتن فصل، مناسبت و روند خودِ شعبه.
۴. تبدیل به پیشنهاد عملیاتی
مقایسه پیشبینی با موجودی، و تولید پیشنهاد سفارش یا انتقال با در نظر گرفتن هزینه حمل.
۵. ثبت پذیرش یا رد پیشنهاد
مدیر منطقه پیشنهاد را می‌پذیرد یا رد میکند و دلیلش ثبت میشود - این بازخورد، محدودیت‌های واقعی را به سیستم یاد می‌دهد.
سنجش و نقطه شروع
معیارها باید عملیاتی باشند نه آماری: نرخ موجودی صفر در اقلام پرفروش، ارزش موجودی راکد بالای ۹۰ روز، و تعداد انتقال‌های بین شعبه‌ای که واقعاً انجام شد.
پیشنهاد ما شروع با یک دسته کالا در چند شعبه است - ترجیحاً دسته‌ای با گردش متوسط، نه پرگردش‌ترین و نه کم‌گردش‌ترین.
و پیش از شروع، دو عدد: ارزش موجودی راکد فعلی، و - اگر ثبت میشود - نرخ موجودی صفر. اگر عدد دوم را ندارید، همان اولین کار پروژه است.
جزئیات فنی پلتفرم در صفحه تحلیل هوشمند مشتری است و توضیح خودِ مدل‌ها در یادگیری ماشین در محصولات کارن.
بقیه کاربردها در صفحه راهکارهای خردهفروشی است.
پرسش‌های متداول
چون تصمیم در سطح شعبه گرفته میشود. تقاضای کل ممکن است درست پیشبینی شود و همزمان یک شعبه انبار پر داشته باشد و شعبه دیگر قفسه خالی. مسئله واقعی خردهفروشی زنجیرهای توزیع است، نه تقاضای کل.
با گروهبندی. شعب مشابه و کالاهای مشابه با هم مدل میشوند و الگوی گروه به عضو کمداده تعمیم پیدا میکند. این تصمیم طراحی معمولاً بیشتر از انتخاب الگوریتم روی نتیجه اثر دارد.
چون عدد بهتنهایی تصمیم نیست. آنچه قابل استفاده است پیشنهاد مشخص است: چند عدد از کدام شعبه به کدام شعبه، با در نظر گرفتن هزینه و زمان انتقال و ظرفیت انبار مقصد.
تاریخچه موجودی صفر. بدون آن، مدل فروش صفر روزهایی که کالا اصلاً نبوده را بهعنوان تقاضای صفر یاد میگیرد و سفارش کالاهای پرفروشی که مدام تمام میشوند را کم میکند - دقیقاً برعکس آنچه باید. اگر این داده را ندارید، شروع پروژه ثبت همان است نه مدلسازی.
اگر برچسب نخورند، الگوی کاذب میسازند: مدل جهش فروش هفته تخفیف را بهعنوان تقاضای عادی یاد میگیرد. برچسبگذاری تاریخ و نوع پروموشن، پیشنیاز مدلسازی درست است.
با معیارهای عملیاتی نه آماری: نرخ موجودی صفر در اقلام پرفروش، ارزش موجودی راکد بالای نود روز، و تعداد انتقال‌هایی که واقعاً انجام شد. دقت آماری مدل بهتنهایی چیزی درباره ارزش تجاری نمی‌گوید.
از یک دسته کالا در چند شعبه، ترجیحاً با گردش متوسط. دسته پرگردش نویز فصلی زیادی دارد و دسته کم‌گردش داده کافی ندارد؛ میانه بهترین نقطه شروع برای دیدن نتیجه در چند هفته است.
