Prognozowanie sprzedaży: Czym są szeregi czasowe, regresja oraz technologie ML i DL.

Prognoza, czyli estymacja przyszłości, nie jest próbą odkrycia magicznej formuły, która pokaże nam przyszłość, lecz metodą poszukiwania zależności pomiędzy znanymi nam zmiennymi a osiąganym do tej pory wynikiem.

Te zależności można próbować określić w kategoriach ilościowych oraz w kategoriach jakościowych.

Kategoria, z którą spotykamy się najczęściej w naszej codziennej pracy z zarządzaniem łańcuchem dostaw, to kategoria ilościowa.

Rzesze ekspertów starają się określić jak najtrafniej ilości przyszłej sprzedaży naszych produktów, co pozwoli naszym organizacjom osiągnąć sukces poprzez optymalne wykorzystanie naszych zasobów w celu zaspokojenia estymowanego popytu.

Prognozy ilościowe opierać możemy o badanie rozkładu danego zjawiska w czasie (szeregi czasowe), np. badając codzienny poziom sprzedaży za ostatnie kilka lat. Drugim najpopularniejszym sposobem jest badanie zmiennych wpływających na siebie i opisywanie ich współzależności funkcją (regresja), np. badając wpływ obniżki ceny bazowej na poziom sprzedaży.

Wynik pracy tych ekspertów, po przeprowadzeniu procesu planowania produkcji, wpływa na pracę nie tylko samej organizacji, ale też wszystkich organizacji w górę naszego strumienia wartości. Zakupy, zatrudnienie, zapasy, poziom kosztów, oczekiwane poziomy oszczędności, inwestycje, budżet, przepływy pieniężne. Kalkulowanie tych wszystkich elementów jest pochodną estymowanych poziomów przyszłej sprzedaży.

Poniższa grafika opisuje najważniejsze elementy szeregów czasowych i regresji.

Rewolucja technologiczna, która obecnie nas dotyka, otwiera zupełnie nowe możliwości nie tylko osiągania wysokich poziomów trafności naszych prognoz, ale też głębszej analizy czynników wpływających (cech) na prognozę. Na tyle głębokiej analizy, że możemy określać prognozę nie tylko na podstawie szerokiego wachlarza znanych nam do tej pory predyktorów (zmiennych niezależnych), ale także odkrywać zupełnie nowe predyktory i ich siłę wpływu na zmienną zależną (prognozowaną ilość).

Tutaj następuje różnicowanie kosztowe obecnych i przyszłych rozwiązań. Poniższa infografika porównuje elementy modeli uczenia maszynowego (ML) z elementami dostępnymi tylko dla modeli uczenia głębokiego (DL).

Niezależnie od stosowanego podejścia ML vs. DL, wykorzystywać można prognozowanie oparte o szeregi czasowe lub regresję.

Dla mniejszej organizacji, rozumiejącej swoje otoczenie biznesowe oraz czynniki wpływające na poziom sprzedaży, rewolucja technologiczna może pomóc rozwinąc jej zdolności prognostyczne. Koszty najprawdopodobniej będą maleć, a dokładność prognozowania rosnąc ze względu na niski próg wejścia dla użytkowania standardowych modeli prognostycznych z obszaru ML.

Według mnie w organizacji dla uruchomienie ML potrzebne są:

• Odpowiednia polityka i procesy z obszaru master data.

• Wiedza ekspercka o prognozowaniu sprzedaży w organizacji: merytoryczna, biznesowa oraz techniczna.

Dla większych organizacji to też jest rozwiązanie, jednak tracą możliwości analityczne wynikające ze zdolności uczenia głębokiego do odnajdywania cech wpływających na prognozę sprzedaży.

W mojej ocenie do stosowania uczenia głębokiego potrzebne są:

• Duża ilość danych treningowych.

• Odpowiednia moc obliczeniowa.

• Biznesowa wiedza ekspercka o prognozowaniu sprzedaży w organizacji.

• Merytoryczna i techniczna wiedza ekspercka, jeśli organizacja sama buduje swój model uczenia głębokiego.

Dwa pierwsze czynniki wiążą się z kosztami. Koszty te będą rosły z czasem i kompleksowością budowanych modeli.

Na zakończenie warto podkreślić, że obecnie modele ML osiągają wyższe poziomy trafności prognozy niż sieci neuronowe. Jest to jednak dopiero początek drogi dla DL.

Niezależnie od kosztów ponoszonych na prognozowanie przyszłej sprzedaży, czynnikiem sukcesu dla organizacji nie jest 100% trafność prognozy, tak jak pisałem o tym tutaj, lecz wdrożony i realizowany proces planowania produkcji (S&OP).

Podsumowując, technologie ML i DL oferują ogromny potencjał w zakresie prognozowania, ale ich koszt i skuteczność zależy od wielu czynników. Ostatecznym celem jest nie tylko dokładne prognozowanie przyszłej sprzedaży, ale również optymalizacja całego łańcucha wartości w oparciu o te prognozy. Współpraca z działami biznesowymi, zdolność do szybkiego dostosowywania się do zmieniających się warunków oraz zrozumienie ograniczeń i możliwości nowych technologii są kluczem do sukcesu w tej dziedzinie.

PS. Jeden z elementów infografiki zaczerpnąłem ze strony https://elektronikab2b.pl/biznes/54951-czym-wlasciwie-jest-sztuczna-inteligencja,

polecam zamieszczony pod tym linkiem artykuł, jeśli ktoś chce nieco poszerzyć wiedzę o szeroko pojętym AI.