Как ИИ меняет прогнозирование скоропортящихся продуктов

Прогнозирование истинного спроса всегда было сложной задачей, особенно для пищевых компаний, работающих в категориях свежих и скоропортящихся продуктов. В то же время точное прогнозирование имеет важное значение для планирования и выполнения цепочки поставок на начальном этапе, а также для сокращения пищевых и финансовых потерь.

Во времена рыночной нестабильности, такой как пандемия COVID-19, большинству прогнозистов приходится ухватиться за правду - пытаться уравновесить типичные модели спроса с влиянием панических покупок, нехватки категорий и логистических сложностей.

Даже в «нормальных» рыночных условиях, без согласования и видимости вокруг единого прогноза, основанного на потреблении, поставщики разведки и добычи (розничные торговцы, оптовые торговцы и производители) вынуждены составлять свои собственные разрозненные прогнозы.

Когда прогнозы создаются независимо, предубеждения, ошибки и запасы резервов усугубляются, поскольку каждый прогноз отражает только историю заказов, закономерности, колебания цен и реальную или предполагаемую доступность ресурсов его непосредственного нижнего партнера в цепочке.

Этот эффект кнута, при котором изменение фактического потребительского спроса на плюс или минус 5% влияет на вышестоящих поставщиков на целых 40% в любом направлении, означает, что поддержание стабильно точных запасов даже в лучшие времена является сложной задачей. Сегодня, во время пандемии, это невозможно.

Обещание здесь

Использование технологий для соединения партнеров по цепочке поставок не ново, но за последнее десятилетие оно оказалось не таким эффективным, как хотелось бы.

Однако мы достигли нового рубежа в нашей способности использовать технологии для эффективного учета многочисленных сигналов спроса. Платформы анализа больших данных, искусственный интеллект (AI), машинное обучение и модели гибкого прогнозирования - все это играет важную роль в создании значительно более надежных прогнозов. Наконец, инструменты, использующие эти технологии, проходят апробацию, и мы можем анализировать всю цепочку поставок и использовать все ее данные так, как это было невозможно раньше.

Платформы прогнозирования спроса на основе искусственного интеллекта не основываются на историческом моделировании продаж, как многие традиционные платформы спроса. Вместо этого они используют динамические факторы влияния, алгоритмы, данные в реальном времени и облачные технологии для точного прогнозирования поведения и тенденций.

Например, демографические и образ жизни аудитории, модели покупок, погодные условия, торговые тарифы и маркетинговые инициативы розничных продавцов - все это оказывает значительное влияние на поведение покупателей и точность спроса. Но эти данные обычно хранятся в нескольких отключенных репозиториях.

Используя алгоритмы и прогнозную аналитику, платформы прогнозирования спроса на базе искусственного интеллекта и машинного обучения анализируют огромные объемы данных независимо от того, где они хранятся. Эта технология может автоматически определять наиболее важные факторы, влияющие на потребительский спрос, заранее прогнозировать изменения в спросе и поведении покупателей, сокращать возвратные платежи и предоставлять объективные вероятностные прогнозы будущего спроса.

Раскрытие потенциала всех этих данных не только позволяет более точно прогнозировать спрос, но и поддерживает целостный подход к управлению запасами. По мере роста уверенности в точности прогнозов первоначальные остатки запасов могут поддерживаться на более низких уровнях, при этом удовлетворяя требования клиентов.

Кроме того, поскольку искусственный интеллект и машинное обучение могут так быстро обрабатывать вводимые данные, информация предоставляется, пока она остается значимой. Могут быть предприняты действия для удовлетворения меняющегося спроса или наличия свежих или скоропортящихся продуктов, а также потребностей партнеров или потребителей. Например, что, если бы во время пандемии поставщики свежих продуктов и мяса могли бы быстрее переупаковывать и переносить доставку с оптовой продажи в ресторанах на продуктовые точки для потребителей?

По оценкам Объединенной ассоциации свежей продукции, во время вспышки COVID-19 вся производственная отрасль потеряет не менее 40% продаж. И хотя не все это можно переложить на потребительские продукты или розничную торговлю, бренды, которые могут перейти к более быстрому переходу, чем их конкуренты, смогут сохранить больше доходов и рабочих мест.

Умные технологии

Платформы прогнозирования на основе ИИ применяют несколько алгоритмов для автоматического определения наиболее релевантных показателей для каждого продукта или артикула в системе. Время, затрачиваемое на сбор, обновление, интеграцию и согласование конкурирующих данных из нескольких электронных таблиц, исключается, что позволяет специалистам по прогнозам тратить свое время на оптимизацию спроса и координацию с другими отделами, такими как маркетинг, для поиска новых источников дохода. Нельзя недооценивать ценность сотрудничества между отделами и внешними партнерами, работающих из единого источника правды.

Результаты использования моделей, основанных на искусственном интеллекте, убедительны. Nounós Creamery недавно применил такой инструмент для автоматизации прогнозирования спроса и сокращения времени, затрачиваемого на прогнозирование, с двух часов в неделю до 10 минут. Руководители Nounós были разочарованы отсутствием реального понимания и тратили ценные часы и деньги, вручную сравнивая данные из своего программного обеспечения для бухгалтерского учета и системы управления запасами. Этот процесс давал лишь смутное представление о том, сколько йогурта следует производить компании и каким ароматам отдать приоритет.

Nounós смог собрать данные из всех соответствующих источников и полагаться на алгоритмы для составления рекомендаций по прогнозу. Прогнозы настолько точны, что компания почти сразу же сократила перепроизводство на 40%, сэкономив значительную прибыль от потерь продукции. Это также позволило Nounós предвидеть фактический ожидаемый спрос на каждый аромат, повышая эффективность производственного процесса.

Этот новый подход к прогнозированию спроса получает все большее распространение по финансовым причинам, а также благодаря высокой масштабируемости. Он работает так же хорошо, как и для специализированных продуктовых брендов, и для крупных транснациональных брендов. Прогнозирование потребительского спроса никуда не денется. Использование новейших аналитических данных и технологий дает прекрасную возможность обуздать эффект кнута и удовлетворить спрос в нужное время.

Аре Траасдал - соучредитель и генеральный директор Crisp.