AUGMENTO

augmento

Построение прогноза

Машинное обучение

Искусственный интеллект

Занимаясь автоматизацией планирования, мы поняли, что на смену обычным статистическим методам пришло время передовых решений для построения прогноза на базе искусственного интеллекта (AI).

Именно поэтому мы создали бизнес-блок Augmento, который состоит из экспертов по машинному обучению (data scientists), инженеров данных (data engineers), а также консультантов по внутренним бизнес-процессам и
управлению изменениями.

У нас есть четкая специализация. Мы создаем модели на базе передовых алгоритмов машинного обучения (ML) для различных целей прогнозирования: спроса продукции, пополнения запасов, инновационного планирования и промо-планирования, а также помогаем правильно перестроить целевой процесс планирования, в который будет встраиваться ML-прогноз.

Машинное обучение открывает новую эру прогнозирования, и, действительно, позволяет бизнесу перейти к подходу management by exception, когда время и ресурсы компании ориентированы на самые значимые задачи.

Наша специализация

Решение
  • Построение прогноза на базе алгоритмов Машинного обучения (ML)
  • Визуализация прогноза и влияющих факторов для аналитиков и бизнес-пользователей
Цель
  • Рост точности прогноза (accuracy)
  • Сокращение ошибки прогноза (bias)
  • Сокращение ресурсоемкости всего процесса прогнозирования
Технологии
  • Мультипаарметрические ML-алгоритмы:
– Gradient Boosting– Neural networks– Random Forest– ArimaX– Ensemble
  • Прогноз
    продаж новинок
  • Прогноз и оптимизация
    промо затрат
  • Прогноз базовых
    продаж (baseline)
  • ML
    прогноз
  • Прогноз
    оптимальной цены
  • Прогноз вторичных
    продаж с полки
  • Прогноз
    промо-продаж

Новая эра прогнозирования

Однофакторные

Статистические модели


Прогноз основан на одном входящем факторе,
как правило это продажи.

Зависимость от экспертизы и доступности времени аналитиков

angle
angle
angle

Мультипараметрические

Алгоритмы Машинного обучения


Используют любые доступные внутренние и внешние вводные данные (causals) для поиска наилучших корреляций и построения оптимального прогноза.

Управление прогнозом по принципу
Manage by exception

Прогноз, основанный на BIG DATA

Отгрузки

Торговые уcловия

Промо акции

Изменения ассортимента

Запасы

Прогноз погоды

Дистрибуция

Данные рынка

Цены

Затраты на рекламу

А ЕЩЕ

Активности конкурентов
Макроэкономические показатели
Праздничные дни

Стадии создания и запуска ML-прогноза

  • 1

    Анализ
    и подготовка данных

    ~ 4-7 недель
  • 2

    Разработка
    и настройка модели
    и целевого процесса

    ~ 8-15 недель
  • 3

    Интеграция
    и запуск модели

    ~ 3-5 недель
  • 4

    Техническая
    поддержка

    Бессрочно

Дальнейший путь
ML-прогноза в бизнес-процессе

ML-прогноз
Выгрузка ML-прогноза в Excel
Интеграция ML-прогноза в системы для планирования, как Anaplan, APO и др.
Визуализация готового ML-прогноза в BI системы как Domo, Tableau и др.

ДОСТИЖИМЫЕ РЕЗУЛЬТАТЫ ПОСЛЕ ЗАПУСКА

  • ~20%
    Рост точности прогноза
  • 50%
    Сокращение на 50% времени, которое затрачивают специалисты на прогнозирование продаж
  • S&OP
    Упрощение и ускорение процесса Планирования продаж и операций (S&OP)

Стадии создания и настройка модели

1

Исследование
данных

Data & Process discovery

Стадия анализа доступных данных для построения модели, а также существующего процесса. Согласование целей проекта и KPIs перед запуском.
2

Подготовка вводных

Сausals engineering

Выбор набора вводных данных для создания алгоритмов (causals), а также подготовка их для внедрения в модель.
3

Создания алгоритмов

Algorithms development

Написание скриптов для выбранных мультипараметрических ML-алгоритмов, таких как Gradient boosting, Random Forest и др. Обучение и тестирование модели (train & test) для устойчивой работы, а также для выявления погрешностей (bugs).
4

Соревнование алгоритмов

Algorithms tournament

«Турнир алгоритмов» – выявление самого подходящего алгоритма для каждой продуктовой группы или SKU для того, чтобы в итоге создать «ансамбль» наиболее подходящих алгоритмов в рамках модели.
5

Сегментация прогноза

Product segmentation

Созданный моделью прогноз разбивается на группы продуктов: No touch, Light touch и Heavy touch в зависимости от необходимости внесения ручных корректировок в прогноз.
6

Визуализация результата

Visualization

Сам прогноз и влияющие на него факторы (causals) визуализируется для аналитиков и специалистов по планированию, а также отдельно для конечных пользователей.

Архитектура решения

Архитектура решения

Нажмите на иконку

ДОСТИЖИМЫЙ ROI ОТ ЗАПУСКА ПРОЕКТА

При росте точности прогноза + 10%

Рост производительности

Снижение объема ручных операций:

  • Сокращение времени на сбор данных
  • Сокращение кол-ва ошибок и времени на их устранение
  • Сокращение уровня вовлечения IT
  • Сокращение длительности цикла прогнозирования

Рост точности прогноза => более надежный P&L => повышение качества управленческих решений

Повышение точности долгосрочного прогноза => более качественный план реализации мощностей => повышение качества решений по CapEx

Рост удовлетворенности клиентов: улучшение контрактных условий, меньше штрафов, более сильная переговорная позиция

Сокращение издержек

Сокращение уровня дефицита запасов:

  • Повышение уровня сервиса + 3%’
  • Повышение выручки +1%’ (консервативная оценка для высокоэффективных компаний)

Сокращение уровня излишков продукции

  • Оптимизация уровня запасов – 25%’
  • Снижение уровня списаний- 17%’

Эффективное производство

  • Рост OEE (до 11% за счет более предсказуемого производственного графика’)
  • Более эффективная организация труда производственного персонала

‘На основе собственной оценки Advanced

Наши клиенты

Узнайте, как мы делим успех с нашими клиентами

Часто задаваемые вопросы

1

Как вы доказываете, что ML-прогноз лучше существующего?

На стадии test, которая следует за стадией train – разработка и обучение модели, мы строим прогноз и сравниваем его с актуальными значениями за выбранный период, а также значениями существующего в бизнесе статистического прогноза. Далее после запуска точность прогноза определяется сравнением актуальных значений (например, зафиксированных запасов за период) со значением прогноза, сделанного несколько недель назад (обычно – 6 недель).
2

Какие ключевые требования к данным, чтобы настроит модель и затем успешно использовать?

Минимум 2 календарных года исторических данных, наличие нескольких входящих переменных (causals) для модели (например, продажи, промо, уровень остатков, дистрибуция), качественный прогноз на будущее по факторам (causals), чтобы модель выдавала качественный прогноз.
3

Модель считает общий прогноз или
базовую линию?

Общий прогноз с учетом всех драйверов, которые формируются из факторов (causals). Модель также может быть настроена для прогнозирования очищенного прогноза – базовой линии.
4

Какой горизонт прогноза от ML-модели?

Горизонт прогноза напрямую зависит от горизонта прогнозных значений факторов (causals) на будущее. Если промо-план доступен на период 3 месяца вперед, то модель построит качественный прогноз продаж на три месяца вперед.
5

Можно ли сделать модель только на основе одного параметра?

Потенциально можно, но в таком случае мы не раскроем преимуществ мультипараметрических, сложных алгоритмов ML. Чтобы качественно настроить модель, допустимо минимально иметь исторические данные целевого показателя для прогнозирования (например, продаж) и данных по одному входящему фактору, такому как, например, затраты на промо.
6

Что вы вкладываете в понятие manage by exception?

Данные созданного моделью прогноза группируются в несколько сегментов: No touch – это значения прогноза (к примеру, прогноз запасов на определенные группы товаров), которые не требуют дополнительной проверки специалистами по прогнозированию; Light touch – значения, точность прогноза которых следует перепроверить эксперту по прогнозированию; Heavy touch – значения прогноза, которые необходимо спрогнозировать вручную. Например, в случае с прогнозом продаж, это позиции, которые не имеют истории продаж.
7

Есть ли у модели ограничения?

Обязательным условием качественной работы модели является наличие исторических данных (минимум 2 года) и прогноза на будущее по всем выбранным входящим переменным (causals). В случае отсутствия достаточных данных на определенные единицы, они будут попадать в сегмент Heavy touch для ручной корректировки.
8

Сколько по времени занимает запуск модели
под ключ?

Это зависит от масштаба задачи (например, прогноз на весь бизнес или на отдельное направление – прогноз продаж для ключевых клиентов), доступности необходимых данных и др. В среднем, 4-6 месяцев.
9

В чем основное отличие вашего подхода и модели от аналогов, создаваемых крупными консалтинговыми компаниями как BCG, SAAS?

Первое, мы создаем открытую модель, а не blackbox. Это значит, что после запуска, при желании, бизнес может самостоятельно развивать и поддерживать модель. Во-вторых, команда data scientist’ов имеет прикладной опыт работы в отделе планирования крупнейших транснациональных компаний. Третье – сравнительно низкая стоимость разработки и поддержки. И кроме того, благодаря решению по визуализации модели, каждый бизнес пользователь может в интерактивном формате понять причины отклонений каждой позиции в два клика.
10

Какое вовлечение требуется от бизнеса?

Основное участие представителей заказчика требуется на стадии формирования цели, анализа доступных данных, настройки доступов к базам данных, а также на стадии запуска и интеграции модели в существующий процесс.