Pull to refresh

Comments 9

Добрый день,
А сколько нужно накопить данных, что бы магия начала работать и предсказательная машинка — F&R начала выдавать удовлетворительные результаты? И может ли данная система делать прогнозы по товарам, которые еще ранее не продавались, к примеру находить схожие патерны с уже продаваемыми товарами и на основе этого делать прогноз?
В среднем 2 года нужно.
Для товаров-новинок недавно выпущено обновление, которое позволяет автоматически находить товары предшественники. Ранее, как уже описали выше, была возможность только вручную приклеивать историю товара предшественника в хвост товару-новинке, либо искусственно проектировать историю продаж на базе нескольких товаров, и подавать ее, как историю товара-новинки.
чтобы прогноз начал считаться умнее чем просто по-среднему нужно хотя бы полгода данных, чтобы учитывалась сезонность продаж хорошо бы иметь год-два последних продаж, больше двух последних лет иметь бессмысленно.
Можно явно указывать товар-предшественник, с которого берется его история продаж до того момента пока не появятся продажи самого товара. Автоматически угадывать аналог система не умеет.
Можете показать, как на самом деле повели себя продажи на 1 графике?

Поправьте, если я не прав, но сильно похоже на то, что система взяла сглаженную сезонность предшествующего года, а два позапрошлых года никак не учла (там продажи ведут себя совсем подругому).
Показать не могу: данные реальные, брали у ритейлера единожды, и, как продавался у них товар потом — не знаю :) Но можно увидеть прогноз-факт, если откатиться, и прогнать систему за прошлые даты:

19 неделя 2015: спрос покрыт
image

52 неделя 2014: сезонность еще не распознана, спрос покрыт
image

Обратите внимание, что необъясненные пиковые значения продаж корректируются системой (красная линия).

По поводу второго вопроса: для данного товара был выбран метод прогнозирования, основанный на векторной регрессии. Этот метод учитывает сезонность, тренд и адаптивность (более новые наблюдения имеют большую значимость при прогнозировании, чем более старые). В системе при прогнозировании для каждой комбинации товар-магазин срабатывает автоматическая калибровка параметров модели прогнозирования. Ее суть заключается в том, что F&R перебирает различные комбинации значений параметров прогнозной модели (в т.ч. и адаптивности) и осуществляет сравнение прогноза, выполненного с данными значениями параметров, с фактическими продажами в течение нескольких недель (их количество задается в настройках системы).

Например, тут сезонность такая же явная, но прогноз не «копирует» поведение сглаженного ряда с предыдущих лет:

image

При разработке системы автозаказа как-то пришлось перепробовать массу вариантов. Лучшим (и на практике, и в теоретическом объяснении) был такой:
1) взять продажи за последнюю неделю и найти по ним медиану
2) выставить верхнюю доверительную границу медианы (95%): использовал формулу для среднего выборки, но вместо среднего ставил медиану. По сути, это и будет необходимый запас товара на день, который покроет спрос.
3) если товарного запаса не хватает на время, необходимое для доставки — дозаказать полуторакратное количество от необходимого на этот период (это чтобы поставщика не гонять слишком часто)

Тут медиана позволяет избежать случайных всплесков (как и у вас), но при этом реагирует на начало и конец сезона где-то за 4 дня, автоматически и не смотря на предыдущие сезоны.

Система отлично себя показывала на исторических данных как для товаров, которые продаются по 4 шт. на месяц, так и для тех, что берут по 6 шт. на день. Жаль, в применение не пошла…
Было бы интересно взглянуть на результат :)
По двум товарам
Продажи по правой шкале, текущий остаток и точки заказа с объемом — по левой.


Sign up to leave a comment.

Articles