Problem do rozwiązania
Brak dobrego algorytmu zatowarowania powoduje szereg problemów. Po pierwsze jest to czasochłonne zadanie angażujące wiele osób, które poświęcają cenne godziny pracy, a po każdym okresie zamówieniowym muszą powtarzać cały proces. Jest to marnowanie ich czasu oraz potencjału, który mogliby przeznaczyć na realizację innych zadań.
Po drugie, nieodpowiednie zatowarowanie przyczynia się do dwóch rodzajów ryzyka. Przeszacowanie zapotrzebowania i dokonanie za wysokiego zamówienia może spowodować dwie niekorzystne sytuacje. W konkretnej placówce handlowej klient nie może znaleźć towaru o interesującej go charakterystyce (np. rozmiar, typ czy kolor), podczas gdy na półkach sklepowych zalega asortyment niespełniający jego konkretnych oczekiwań. Jest to asortyment, na który w określonej lokalizacji, a także w określonym czasie, nie ma popytu. Niewłaściwe zapełnienie ekspozycji sklepowych powoduje, że obroty sklepu są niższe w stosunku do sytuacji, gdyby asortyment odpowiadał strukturze popytu w danym miejscu i czasie. Można było zamówić mniej, zostawiając miejsce i pieniądze na bardziej potrzebne towary. Natomiast w przypadku towarów spożywczych z krótkim terminem ważności następuje przeterminowanie, więc sklep musi spisać go na straty.
Naturalnie może pojawić się również odwrotna sytuacja. Zamówienie było zbyt niskie, towar został wyprzedany i nastąpił „stock-out”. Brak towaru na półkach powoduje, że klient, pomimo chęci, nie ma możliwości jego zakupu. W ten sposób pojawia się zjawisko sprzedaży utraconej, a sklep traci potencjalny zysk. Dodatkowo może to negatywnie wpłynąć na opinie klientów i ich przywiązanie do zakupów w danym sklepie.
Krok pierwszy – prognoza sprzedaży
Przygotowanie algorytmu składa się z dwóch etapów: prognozy sprzedaży oraz optymalizacji zamówienia uwzględniającej wszelkie wymagania i ograniczenia. Pierwszy element wymaga przygotowania modelu machine learning. Specjaliści data science wykorzystując dane o historycznej sprzedaży oraz czynnikach z nią skorelowanych, takich jak promocje, pogoda, lokalizacja, kalendarz, zapas i inne wytworzone w etapie analiz danych zmiennych, przygotowują model prognozujący sprzedaż na zadany okres zamówieniowy. W zależności od danych oraz mocy obliczeniowej wykorzystywane są różne techniki. Każda kategoria, a czasem nawet każdy produkt może być modelowany innymi algorytmami i zmiennymi.
Drugą częścią rozwiązania jest przygotowanie algorytmu optymalizacyjnego. Są to metody, które szukają optymalnego rozwiązania (funkcji celu) przy zadanych warunkach brzegowych i ograniczeniach.
Krok drugi – Optymalizator zamówienia
Algorytm szuka optymalnego rozwiązania zapewniającego przede wszystkim zaspokojenie prognozowanego popytu z uwzględnieniem m.in. takich parametrów jak:
- zapas bezpieczeństwa,
- posiadany zapas – być może jest na tyle wysoki, że dany towar nie wymaga zamawiania,
- SLA półki/magazynu – czyli informacja, jaka minimalna dostępność towaru ma być zawsze w sklepie,
- wszelkie wymagania finansowe i logistyczne związane z opłacalnością dostawy,
- uwzględnienie terminów ważności, zwłaszcza przy produktach krótkoterminowych,
- uwzględnienie realizowanych zamówień, które być może dotrą do sklepu w okresie, na który zamawiany jest nowy towar,
- wielkość opakowania – nie można zamówić tylko 3 sztuk produktu z opakowania zawierającego 24 sztuki.
Dochodzi do tego jeszcze wiele innych wymagań, które określone są przez obszary zaangażowane w łańcuch dostaw, a na ich opisanie można by było poświęcić co najmniej rozdział książki, a nawet całą publikację. Algorytm dodatkowo często ma ustawioną funkcję celu – poszukuje takiego zamówienia, które maksymalizuje marże i obrót w zależności od biznesowych oczekiwań. Oznacza to, że wygeneruje zamówienie zapewniające popyt na określony czas, uwzględniające ograniczenia, a dodatkowo gwarantujące jak najwyższą np. marżowość.
Krok trzeci – wyzwania i ryzyka projektowe
Każde oprogramowanie czy algorytm ma swoje wyzwania. Proces przygotowania optymalnego rozwiązania pod zamówienia towaru jest bardzo wymagający. Przede wszystkim algorytmy optymalizacyjne są ekstremalnie czułe na jakość danych. Każdy błąd np. wielkość opakowania, rząd wielkości limitu finansowego czy wymiary produktów natychmiast wpływają negatywnie na wyniki. W tym przypadku należy zadbać o Master Data Management i Data Quality. Innym stricte technicznym wyzwaniem jest ilość danych wymagająca przetworzenia. Zamówienie konkretnego produktu do sklepów lub magazynów na każdy okres zamówieniowy powoduje często przetwarzanie setek milionów rekordów dzienne, w zależności od wielkości sieci i asortymentu. W takich przypadkach dobrze sprawdzają się technologie chmurowe i/lub big data wykorzystujące obliczenia rozproszone.
Wyzwaniem pod kątem biznesowym często są sprzeczne lub zbyt restrykcyjne ograniczenia. Wówczas należy je jeszcze raz przeanalizować wspólnie z działami, które za nie odpowiadają.
Jednym z wyzwań przy tworzeniu modelu jest algorytm predykcyjny, który stanowi podstawę replenishmentu – aby zbudować dobry model, specjaliści data science potrzebują zrozumieć dane i przetestować różne podejścia.
Gdy jesteś już na mecie
Niewątpliwie opisany sposób działania to dopiero czubek góry lodowej algorytmu do automatycznego zamawiania towaru. Każda branża i firma mają swoją specyfikę, zaplanowany proces zamawiania oraz szereg innych procesów związanych z promocjami, planogramami w sklepach, realizacją dostaw w drodze czy minimalną ilością towaru w sklepie. Można je wszystkie rozwiązać poprzez wykorzystanie algorytmów data science połączonych z dobrą analizą biznesową. Dzięki temu osoby przygotowujące zamówienia zaoszczędzą czas, który mogą przeznaczyć na realizację innych zadań. Firma natomiast zminimalizuje ryzyko „stock-outu”, trzymania nadmiarowego towaru czy też jego przeterminowania, a to wszystko przyczyni się do zwiększenia zysków i oszczędności.
Autor:
Barbara Sobkowiak
Data Science Manager
