ИИ-точность: трансформация прогнозирования скоропортящихся продуктов

Прогнозирование истинного спроса всегда было вызовом, и это особенно сложно для пищевых компаний, работающих в свежих и скоропортящихся категориях. В то же время точное прогнозирование необходимо для планирования и исполнения вышестоящей цепочки поставок и снижения пищевых и финансовых отходов.

В времена рыночной нестабильности вроде пандемии COVID-19 большинство прогнозистов остались у хватасти от истины — пытаясь сбалансировать типичные паттерны спроса с влиянием панических покупок, дефицитов категорий и логистических сложностей.

Даже в «нормальных» рыночных условиях, без выравнивания и видимости вокруг единого, потребления-ориентированного прогноза, вышестоящие поставщики (ритейлеры, оптовики и производители) остаются генерировать свои изолированные прогнозы.

Когда прогнозы создаются независимо, предвзятости, ошибки и страховые запасы накапливаются, потому что каждый прогноз отражает только историю заказов, паттерны, колебания цен и реальное или воспринимаемое наличие входов своего непосредственного даунстрим-партнера в цепочке.

Эффект бича, при котором плюс-минус 5% изменение в фактическом потребительском спросе влияет на вышестоящих поставщиков на 40% в любую сторону, означает, что поддержание последовательно точного инвентаря, даже в лучшие времена, — вызов. Сегодня, во время пандемии, это невозможно.

Обещание здесь

Использование технологии для соединения партнеров через цепочку поставок не ново, но за последнее десятилетие оно не было столь эффективным, как надеялись.

Однако мы достигли новой точки перегиба в нашей способности использовать технологию для эффективного включения многочисленных сигналов спроса. Платформы анализа больших данных, искусственный интеллект (ИИ), машинное обучение и гибкие модели прогнозирования все играют важную роль в генерации значительно более надежных прогнозов. Наконец, инструменты, использующие эти технологии, доказываются, и мы способны смотреть через цепочку поставок и использовать все её данные способом, который не был возможен раньше.

ИИ-ориентированные платформы прогнозирования спроса не полагаются на историческое моделирование продаж вроде многих традиционных платформ спроса. Вместо этого они используют динамические влиятели спроса, алгоритмы, данные реального времени и облачные технологии для точного предсказания поведений и трендов.

Например, демографические и образ жизни аудитории тренды, паттерны покупок, погодные события, торговые пошлины и маркетинговые инициативы ритейлеров все имеют значительное влияние на поведение покупателей и точность спроса. Но эти данные обычно находятся в множественных, разнесенных репозиториях.

Используя алгоритмы и предиктивную аналитику, ИИ и платформы прогнозирования спроса на базе машинного обучения анализируют массивные объемы данных независимо от того, где они живут. Эта технология может автоматически идентифицировать наиболее релевантные факторы, влияющие на потребительский спрос, предвосхитить изменения в спросе и поведении покупателей заранее, сократить чарджбэки и доставлять непредвзятые вероятностные предсказания о будущем спросе.

Раскрытие потенциала всех этих данных не только позволяет более точные прогнозы спроса, но также поддерживает комплексный подход к управлению инвентарем. По мере роста уверенности в точности прогноза, начальные балансы инвентаря могут удерживаться на более низких уровнях — при этом всё ещё удовлетворяя требования клиентов.

Также, потому что ИИ и машинное обучение могут обрабатывать входы так быстро, инсайт доставляется пока он всё ещё значим. Действие может быть принято для удовлетворения меняющегося спроса или доступности свежих или скоропортящихся предметов и потребностей партнера или потребителя. Например, что если бы во время пандемии поставщики свежих продуктов и мяса смогли бы быстрее переупаковать и сдвинуть доставку от ресторанного оптового распределения к потребительским продуктовым магазинам?

Ассоциация United Fresh Produce оценила, что общая индустрия продукции потеряет как минимум 40% продаж во время вспышки COVID-19. И хотя не все это может быть сдвинуто к потребительским продуктовым или розничным, бренды, которые могут перейти быстрее своих конкурентов, способны защитить больше выручки и рабочих мест.

Умная технология

ИИ-ориентированные платформы прогнозирования применяют множественные алгоритмы для автоматического определения наиболее релевантных метрик для каждого продукта или SKU в системе. Время, затраченное на сбор, обновление, интеграцию и согласование конкурирующих данных из множественных таблиц, устраняется, позволяя профессионалам прогнозирования тратить свое время на оптимизацию спроса и координацию с другими отделами, такими как маркетинг, для поиска новых потоков выручки. Ценность коллаборации через отделы и внешние партнеры, работающих от единого источника правды, не может быть недооценена.

Результаты от использования ИИ-ориентированных моделей убедительны. Nounós Creamery недавно наняла такой инструмент для автоматизации прогнозирования спроса и сокращения времени, затраченного на прогнозирование, с двух часов в неделю до всего 10 минут. Лидеры Nounós были расстроены отсутствием реального инсайта и теряли ценные часы и деньги, вручную сравнивая данные из их бухгалтерского ПО и системы управления инвентарем. Этот процесс давал только смутное представление о том, сколько йогурта компания должна производить и какие вкусы приоритизировать.

Nounós смогла подтянуть данные из всех релевантных источников и положиться на алгоритмы для рекомендаций прогноза. Прогнозы настолько точны, что компания сократила перепроизводство на 40% почти немедленно, экономя значительную выручку в потере продукта. Это также позволило Nounós предвосхитить фактический ожидаемый спрос для каждого вкуса, стимулируя большую эффективность в производственном процессе.

Этот новый подход к прогнозированию спроса растет в принятии по финансовым причинам, но также потому, что он высоко масштабируем. Он работает так же хорошо для специализированных пищевых брендов, как и для крупных многонациональных брендов. Потребительский прогнозирование спроса пришло, чтобы остаться. Использование последней аналитики и технологии представляет огромную возможность приручить эффект бича и удовлетворить спрос в точно правильной точке.

Аре Траасдал — сооснователь и CEO Crisp.