Повышение планки: оптимизация прогнозирования продаж алкоголя и спиртных напитков с помощью сезонных моделей ARIMA
- Точные прогнозы позволяют лучше управлять запасами и лучше понимать сезонные колебания спроса на продукцию.
- Прогнозы продаж алкоголя должны учитывать местные праздники, спрос и законы.
- Модель ARIMA может эффективно моделировать праздники и изменяющийся во времени спрос на уровне SKU и на региональном уровне.
Достижение высокой точности в прогнозировании продаж является обязательным для предприятий алкогольной и спиртосодержащей промышленности, особенно на рынке прямых продаж (DTC). Это связано с тем, что точное прогнозирование прокладывает путь к упорядоченному управлению запасами, обеспечивая эффективную доставку продуктов клиентам.
Уникальный аспект прогнозирования в алкогольной отрасли связан с неоспоримой связью между продажей алкоголя и праздничными событиями — празднества, праздники и общественные собрания неотъемлемо связаны с повышенным спросом на алкогольные напитки. Следовательно, при прогнозировании необходимо учитывать всплески спроса, вызванные праздниками, празднованиями, фестивалями и местными предпочтениями. Более того, учитывая региональный характер этих событий, планирование и прогнозирование глобального спроса требует индивидуального моделирования для каждого региона, чтобы точно учитывать различные тонкости и различия. Модели, созданные для Германии, не будут применяться к моделям, созданным для рынка Калифорнии.
В этой статье будет обсуждаться важность планирования и прогнозирования запасов, проблемы, с которыми сталкивается отрасль, и представлена модель прогнозирования ARIMA, которая может помочь решить эти проблемы.
Планирование и прогнозирование запасов
Планирование запасов — это процесс обеспечения того, чтобы у вас было достаточно запасов, чтобы удовлетворить спрос клиентов, не будучи неэффективным из-за хранения слишком большого количества продукта.
Для алкогольного рынка DTC сложность возрастает, поскольку для дистрибуции часто требуется наличие многочисленных местных складов. Это связано с тем, что перевозка контролируемых веществ, таких как алкоголь, через региональные границы может привести к дополнительным финансовым затратам, таким как увеличение налогов или сборов.
Лучший способ иметь эффективный план запасов — это иметь точные прогнозы продаж. Имея четкое и точное представление о будущем спросе, предприятия могут оптимизировать свои запасы несколькими способами:
- Сокращение дефицита. Благодаря точному прогнозированию бренды DTC могут гарантировать, что у них будет достаточно запасов для удовлетворения потребностей клиентов в периоды пиковой нагрузки, такие как праздники и специальные мероприятия. Наличие продуктов под рукой — это самый простой способ обеспечить удовлетворенность клиентов вашим брендом.
- Сведение к минимуму избыточных запасов. Излишние запасы алкоголя приводят к увеличению затрат на хранение, включая хранение, страхование и, в некоторых случаях, к порче продуктов с ограниченным сроком годности. Эти повышенные затраты могут снизить размер прибыли и затормозить рост бизнеса.
- Возможные издержки. Неэффективное управление запасами может привести к тому, что капитал будет связан с медленными или избыточными запасами, что ограничит способность бизнеса инвестировать в другие инициативы роста, маркетинг или разработку продуктов. Товар, лежащий на складе, не приносит прибыли компании.
- Содействие принятию обоснованных решений. Благодаря надежному прогнозу компании могут принимать более обоснованные решения о ценах, рекламных акциях и ассортименте товаров. Это позволяет им использовать возможности, такие как сезонные тенденции.
Знакомство с моделью ARIMA
ARIMA, что означает AutoRegressive Integrated Moving Average, является популярным и универсальным методом прогнозирования временных рядов. Он объединяет три компонента: авторегрессию (AR), интеграцию (I) и скользящую среднюю (MA). Компонент AR фиксирует взаимосвязь между текущим наблюдением и рядом отложенных наблюдений, в нашем случае исторических продаж. Компонент I представляет собой процесс дифференцирования временного ряда, чтобы сделать его стационарным, т. Е. Убрать тенденции и сезонность. Компонент MA учитывает взаимосвязь между текущим наблюдением и остаточной ошибкой скользящего среднего запаздывающих наблюдений.
Модель ARIMA имеет ряд преимуществ. Во-первых, он очень гибкий и будет работать с различными данными временных рядов. Он учитывает колебания продаж в зависимости от праздников, всплесков, спадов и сезонных разложений, что делает их подходящими для прогнозирования продаж алкоголя и спиртных напитков. Во-вторых, хотя модели ARIMA требуют определенного уровня понимания статистики, их относительно просто реализовать с использованием современного программного обеспечения и языков программирования.
Для нашего тестирования мы внедрили версию или ARIMA от BigQueryML (ARIMA_PLUS). Эта модель разлагает временной поток на составные части и заново собирает модель для прогнозирования.
Одной из замечательных особенностей этой готовой модели является то, что вы можете создать объяснение вывода, используя.
select * from ML.EXPLAIN_FORECAST(MODEL `arima_model`, struct(90 as horizon, 0.90 as confidence_level))
Производный вывод (показан ниже) может рассказать вам; для отдельного SKU, насколько продажи цикличны (ежегодно, ежемесячно, ежеквартально, еженедельно) и насколько праздники или особые события (всплески и спады) преобладают в продажах.
{ "sku": "123456", "trend": "0.0", "seasonal_period_yearly": null, "seasonal_period_quarterly": "-2.6641903226458963", "seasonal_period_monthly": "-8.66264067477488", "seasonal_period_weekly": "4.1585732749501689", "seasonal_period_daily": null, "holiday_effect": null, "spikes_and_dips": "0.0", "step_changes": "11.936206568243172" }
Выходные данные для этого продукта показывают, что существует «step_change», вызванный внезапными продажами в результате маркетинговых усилий, а также очень сильная месячная корреляция, означающая, что продажи становятся сильнее ближе к концу месяца. Построив график продаж в зависимости от дня месяца, вы можете увидеть возникающую тенденцию.
В этом случае модель ARIMA успешно определила типичную модель продаж продукта. Эта модель может быть отражением покупательских привычек клиентов или результатом маркетинговых инициатив, реализованных ближе к концу месяца. Независимо от причины, модель ARIMA эффективно отражает циклический характер продаж, который затем можно использовать для целей прогнозирования.
Модель прогнозирования ARIMA: примеры в действии
Мы применили модель прогнозирования ARIMA к набору SKU, чтобы посмотреть, сможем ли мы прогнозировать продажи и сократить запасы в наличии на одном складе.
Поскольку спрос на отдельные SKU будет меняться в зависимости от сезона, модель ARIMA должна была применяться для каждой SKU по отдельности и агрегироваться вместе, чтобы получить целостное представление.
Сопоставляя фактические продажи с прогнозируемыми продажами, мы видим, что агрегированная модель ARIMA сгладила пики и сохранила колебания от недели к неделе. (Ближе к концу недели мы наблюдаем рост покупок по всем SKU)
В целом, прогнозируемая тенденция продаж в среднем выше, чем фактические продажи за предыдущий месяц. Отчасти это связано с тем, что мы рассчитываем ошибку прогноза с высоким уровнем (0,90) статистической достоверности. Основываясь на предыдущей тенденции, мы можем сделать заявление о том, что «точность модели составляет 90%, что прогнозируемый объем продаж упадет ниже расчетного числа». Хотя мы хотели бы оптимизировать имеющиеся запасы, мы хотим убедиться, что мы не сталкиваемся с ситуациями, когда мы не можем удовлетворить спрос клиентов. Нам лучше ошибиться в сторону дополнительных продуктов на складе, поэтому прогнозы дают представление о базовом запасе, который вы должны иметь под рукой.
«Трудно делать прогнозы, особенно о будущем». — Йоги Берра
Хотя прогнозы продаж важны для управления запасами, они не охватывают всего уравнения. Также необходимо учитывать такие факторы, как задержки в цепочке поставок, затраты и задержки при получении, а также доступность продукта. Надежный прогноз продаж позволяет компаниям более активно решать управляемые проблемы в своей цепочке поставок, предоставляя достаточно времени для выполнения заказа. Однако он не должен быть единственной основой для управления запасами; для успеха необходим комплексный подход.
Заключение: модель прогнозирования ARIMA на нашей платформе Insight
Мы внедрили ARIMA, которая смогла точно смоделировать сезонные и периодические колебания, которые мы наблюдаем в продажах отдельных продуктов. Эта модель поможет нам прогнозировать продажи и сформирует важную часть нашего процесса управления запасами в будущем. Дополнительным преимуществом понимания различий во времени продажи продукта будет полезно с точки зрения маркетинга.
Точность прогноза зависит от базовых обучающих данных, поэтому, продолжая совершенствовать модель, мы будем продолжать видеть улучшения в прогнозировании и управлении запасами.
Внедрение модели ARIMA
Сложность любой модели ML/AI заключается не в исследовании модели, а в том, чтобы сделать результат доступным в производственной среде для людей, которым нужна информация. Недавнее исследование показало, что 80% моделей ML/AI не доходят до производства. В этом исследовании подчеркивается важность наличия конвейера для перехода моделей от концепции к производству и использования ценности этого исследования.
Наша платформа Insight: использует платформу Google Cloud для развертывания, тестирования и итерации моделей ML/AI в масштабе производства. Важной частью любой стратегии является наличие стратегии, обеспечивающей внедрение ML/AI в производство.
Модель прогноза ARIMA доступна на нашей платформе DTC insight:, и если вы хотите узнать, как она может вам помочь, свяжитесь с нами здесь
Некоторые исследовательские работы, которые помогут в вашем собственном исследовании моделей ARIMA;