Proč nestačí historické prodeje pro kvalitní forecasting a objednávky?
Slyšeli jste někdy, že pro kvalitní forecasting stačí dodat historické prodeje a o vše ostatní se postará umělá inteligence? Pokud ano, měli byste zpozornět.
Ano, analýza historických prodejů a nákupních vzorů je základem a strojové učení v posledních letech významně zlepšilo výsledky tradičních algoritmů a umožnilo přesnější odhady v kratším čase.
Avšak samotná znalost historie prodejů nestačí.
Umělá inteligence přináší do světa retailu výrazné výhody, ale bez napojení na detailní data nebudou předpovědi dostatečně přesné. Pojďme se podívat na konkrétní příklad, který ukáže, proč je nutné zahrnout více než jen historické prodeje.
Faktory ovlivňující předpovědi poptávky
Představte si následující situaci: Umělá inteligence analyzuje produkt, který se dlouhé týdny neprodával, ale v posledních dnech zaznamenal výrazný nárůst prodejů, které se nyní ustálily na vyšší hladině.
Jaká by měla být správná předpověď budoucích prodejů, kterou doufáme, že nám poskytne AI?
Správná odpověď není jednoznačná, protože kromě historických prodejů jsou tu i další faktory, které předpověď ovlivňují. Pojďme se zamyslet nad několika příklady:
1. Nedostatečná zásoba
- Prodeje mohou zůstat na vyšší úrovni, pokud se dříve produkt neprodával jednoduše proto, že na prodejně nebyl skladem a nyní ho jsme schopni na prodejně doplňovat v dostatečném množství.
2. Slevová akce
- Prodeje mohou opět klesnout na původní úroveň, pokud skončí slevová akce, která zvýšila poptávku a do další akce se obdobné vysoké prodeje neočekávají.
3. Sezónní akce – ve stejném období
- Prodeje mohou klesnout, ale vrátí se na vysokou úroveň například za rok, pokud se jedná o produkt, jako jsou školní potřeby, které rodiče nakupují v posledním týdnu prázdnin.
4. Sezónní akce – v různém období
- Možná prodeje opět vzrostou, ale ne za rok, bude-li se například jednat o produkt, který se tradičně prodává před Velikonocemi.
Nákupní chování zákazníků neovlivňují pouze slevové akce. Je třeba zohlednit i mnoho dalších faktorů, které se přímo promítají do prodejních výsledků. Patří sem události jako fotbalové zápasy či koncerty v blízkosti prodejny, specifický den v týdnu nebo to, zda se jedná o novinku na trhu. Každý z těchto aspektů může mít zásadní dopad na rozhodování zákazníků.
Tyto příklady ukazují, že k dosažení kvalitních předpovědí je nezbytné zahrnout nejen data o historii prodejů, ale také informace o zásobách a minulých i budoucích událostech, které mohou prodeje ovlivnit. Umělá inteligence tak bude schopna přesněji vyhodnotit vliv těchto faktorů na prodeje a nabídnout přesnější předpovědi.
Kvalitní forecasting je základem pro automatické objednávky
Předpovědi poptávky a objednávky jsou úzce propojeny. Díky kvalitní předpovědi a integraci s planogramy může umělá inteligence vybrat optimální predikční model a navrhnout objednávky s vyšší přesností než průměrný vedoucí prodejny.
I zde platí, že investovat čas a úsilí do správného nastavení, zejména v prvních měsících, se vyplatí. Poskytneme tak umělé inteligenci lepší představu, čeho chceme dosáhnout a čeho se naopak vyvarovat. Výsledkem pak jsou lepší automatizované reakce na specifické potřeby vašich prodejen.
Zavedení automatických, nebo alespoň poloautomatických objednávek zajistí, že prodejny budou mít správné produkty ve správném množství a ve správný čas, což povede ke zvýšení spokojenosti zákazníků a růstu tržeb.
Pokud se rozhodnete pro Quant Demand Planning, máte jistotu, že si poradí se všemi výše popsanými příklady, pokud mu poskytnete potřebná data.
Petr Kavánek
CEO / Co-owner | Quant Retail s.r.o.