Goods4Cast: умное прогнозирование спроса

TAdviser: Что представляет из себя платформа Goods4Cast? Александр Ефимов: Платформа Goods4Cast является собственной разработкой компании и в первую очередь направлена на решение задачи качественного планирования товарных запасов для торговых компаний.

Математическую основу платформы составляют последние достижения российской науки в области прогнозирования. Разработка и совершенствование алгоритмов прогнозирования проходит под руководством кандидата физико-математических наук заместителя директора по исследованиям Константина Вячеславовича Воронцова и доктора физико-математических наук директора по науке Константина Владимировича Рудакова.

Программное решение на платформе Goods4Cast содержит ряд компонентов, объединенных вокруг прогнозирующего сервера. Конечное решение комплектуется индивидуально под клиента и в зависимости от потребностей может включать компоненты для расчета рекомендуемого заказа, оперативного контроля доступности товаров на полках, учета бонусов продавцам-консультантам, оптимизации объемов страховых запасов, в том числе с учетом случаев неисполнения заказов поставщиками, оценки эффективности промо-акций и других воздействий на спрос.Российский рынок облачных ИБ-сервисов только формируется 2.6 т

TAdviser: В каких отраслях Вы видите применения вашего решения? Ведь задачи прогнозирования спроса и планирования запасов актуальны не только для розничной торговли, но еще для дистрибуции и производства. Александр Ефимов: Исторически платформа Goods4Cast разрабатывалась для торговых сетей, у которых в связи с большим количеством товаров возникает задача автоматизированного возобновления остатков в магазинах. Тем не менее, решения на базе платформы Goods4Cast имеют более широкое применение, и используются для решения задач в дистрибуции и производстве.

Одним из примеров является задача планирования продаж, решение которой требует качественного прогнозирования спроса и учета поставленных перед компанией целей. Для формирования обоснованного плана продаж в первую очередь необходимо отталкиваться от прогнозируемых на основе продаж потребностей рынка. Полученный таким образом первичный план, как правило, проходит несколько итераций согласований и корректировок с учетом внешних ограничений и в соответствии с целями компании. В результате формируется финальный план продаж. Для поддержки процесса согласования и перерасчета плана используется подход what-if анализа, при помощи которого можно ответить на вопросы: как изменятся продажи по товарной группе при введении нового товара, как введение промо-акции или изменение цен отразится на продажах.

Ответ на эти вопросы может быть дан только при помощи построения прогноза с учетом всевозможных факторов и внешних ограничений, накладываемых особенностью задачи и бизнес-процессами компании.

TAdviser: Какие компании уже используют вашу разработку и насколько успешно? Александр Ефимов: Система автоматического возобновления остатков в магазинах была разработана и впервые внедрена в торговом доме «Перекресток». Успех проекта предопределил развитие платформы Goods4Cast и дальнейшие внедрения этой технологии. На сегодняшний день Goods4Cast установлен в торговых сетях «Связной» и «Лама» (продуктовая сеть в Томске), так же наше решение используется в ПК «Балтика» для формирования планов продаж и производства.

Для оценки эффективности от внедрения системы возобновления остатков используется специальная методика. Согласно этой методике контролю подлежат потери от дефицита, замороженные в остатке товара средства, потери от списаний по сроку годности товара (для продовольственных товаров). По суммарным потерям, которые складываются из указанных показателей, сравнивается работа системы Goods4Cast и используемого ранее алгоритма клиента. В среднем сокращение потерь после внедрения системы автоматического возобновления остатков Goods4Cast составляет 1,5% от оборота.

TAdviser: На сегодняшний день во многих торговых сетях уже используются ERP-системы, в которых есть модуль прогнозирования. Чем можно оправдать необходимость внедрения еще одной, дополнительной системы прогнозирования спроса? Александр Ефимов: Основное назначение ERP-системы – это автоматизация учета и управления в компании. Возможность прогнозирования является лишь дополнительным модулем ERP-системы, поэтому зачастую в таких модулях используются достаточно простые алгоритмы прогнозирования, основанные на скорости продаж. Однако для построения качественного и обоснованного прогноза требуется не только применять более компетентные алгоритмы прогнозирования, но также уметь учитывать большое разнообразие факторов, которые воздействуют на спрос. При разработке платформы Goods4Cast мы сосредоточились именно на решении задач прогнозирования.

Стоит отметить, что у компаний, внедривших ERP-систему, есть определенное преимущество: система прогнозирования у них будет базироваться на уже отлаженных процессах сбора данных. При решении задач data mining, в том числе прогнозирования, львиная доля успеха зависит от качества сбора и учета данных. Поэтому можно сказать, что внедрение ERP-системы является обязательным шагом перед внедрением любого BI-решения.

TAdviser: Вы являетесь лидерами российского рынка систем прогнозирования спроса. Не мешают ли вам западные конкуренты? Александр Ефимов: То, что сейчас происходит на рынке, свидетельствует о том, что этот рынок скорее недоосвоен, чем перенасыщен большим количеством конкурирующих решений. Можно сказать, что мы работаем на развитие рынка систем прогнозирования рука об руку с другими разработчиками, внедряя в сознание потенциальных заказчиков мысль о том, что такие системы нужны и полезны. С другой стороны, по сравнению с конкурирующими системами у нас есть достаточно серьезные преимущества – наша система разрабатывалась именно под российский рынок, в то время как западные решения созданы с учетом специфики западных рынков, которые находятся на другой стадии зрелости. Соответственно, в наших условиях нам легче давать корректные и адекватные прогнозы. Также следует принимать во внимание еще и ценовые факторы, и близость офиса разработки к клиенту.

Более того, мы имели возможность сравнить наш подход к прогнозированию с западными вендорами. В 2004 году компания «Перекресток» и в 2006 году компания «Связной» проводили открытые конкурсы по сравнению точности прогнозов систем прогнозирования от ведущих мировых IT-компаний на реальных данных о продажах. В обоих конкурсах решение на платформе Goods4Cast одержало победу.

TAdviser: Какие алгоритмы легли в основу вашей системы прогнозирования? Александр Ефимов: Наша компания выросла из научной школы академика РАН Юрия Ивановича Журавлева и образована на базе Вычислительного центра Российской академии наук (ВЦ РАН), с которым мы как компания плотно сотрудничаем вот уже почти десять лет. Такая близость к академической науке позволяет нам развивать и использовать самые передовые разработки и достижения ученых.

Многие спрашивают нас о том, какие алгоритмы лучше использовать для того или иного товара, временного ряда, группы товаров. Мы применяем подход, который позволяет системе автоматически выбирать лучший алгоритм прогнозирования или строить суперпозицию алгоритмов с целью минимизации суммарной ошибки на прогнозируемом интервале. Такая суперпозиция позволяет брать от каждого, пусть даже элементарного, алгоритма лучшие его стороны и существенно повышать качество прогноза. В этом подходе мы используем как классические и широко распространенные алгоритмы прогнозирования, так и алгоритмы собственных разработок.

Иллюстрация подхода суперпозиции алгоритмов прогнозирования.

TAdviser: Что вы вкладываете в понятие «умное прогнозирование»?

Александр Ефимов: Очевидно, идеальный прогноз – это тот прогноз, который совпадает с фактом. Однако идеально точных прогнозов не существует, поэтому требуется определить, к каким потерям приводят ошибки прогнозов. Ведь ошибка в ту или иную сторону относительно факта неравнозначна с точки зрения финансовых потерь. Если фактический спрос оказался больше, чем было спрогнозировано, и возник out of stock, то потери компании есть упущенная прибыль, равная величине наценки, умноженной на количество непроданного товара. Если же фактический спрос оказался меньше, чем было спрогнозировано, и возник over stock, то потери компании складываются из замороженных в излишке товара средств и стоимости списанного по истечению срока годности товара (в случае продовольственных товаров). Помимо этого, независимо от ситуации over stock или out of stock, возникают издержки, связанные с хранением товара.

Система Goods4Cast целенаправленно разрабатывалась с учетом финансовых особенностей структуры ошибок и выражена в виде целевой несимметричной функции потерь. Такая произвольная целевая функция и способ ее оптимизации является know-how нашей компании, чего не предусмотрено ни в классических алгоритмах прогнозирования, ни в продуктах западных вендоров.

Иллюстрация несимметричной целевой функции.

Дополнительное преимущество от использования такой целевой функции заключается в возможности эффективного учета политики управления товарными запасами клиента, например, вплоть до каждого товара есть возможность задавать допустимый уровень дефицита, или же из соотношения показателей структуры потерь при текущей цене и наценке принимать решения о необходимости присутствия товара в ассортиментной матрице.

TAdviser: Если система прогнозирования внедряется в крупной розничной сети, наверняка проект потребует больших затрат на оборудование, которое будет выполнять расчеты? Александр Ефимов: Это заблуждение. Наши алгоритмы весьма эффективны, в частности, на достаточно простых серверах (стоимостью до $10 000). Например, на сервере с 2 x Quad-Core процессором (два четырехядерных процессора) и оперативной памятью 16 GB за один час производится расчет 250 000 прогнозов. Такой производительности системы вполне хватает для обработки за четыре часа 50 магазинов с 20 000 позиций активного ассортимента, при этом система использует пятилетнюю историю продаж.

TAdviser: Любое внедрение должно быть оправданным с точки зрения эффективности. Что вы можете сказать об окупаемости системы Goods4Cast?

Александр Ефимов: Наша методика оценки экономического эффекта от внедрения системы прогнозирования Goods4Cast достаточно прозрачна. На каждом из этапов установки системы производится расчет ожидаемой (во время внедрения и тестовой эксплуатации) и фактической эффективности системы (во время опытной и промышленной эксплуатации). Контролируются суммарные издержки, которые складываются из показателей дефицита товара, замороженных в остатке средств, списаний по истечению срока годности. Сокращение суммарных издержек после внедрения системы есть показатель эффективности. В торговой сети с оборотом $100 млн. система возобновления остатков Goods4Cast окупается уже через два месяца после ее введения в промышленную эксплуатацию на всей сети.

TAdviser: Какой вы видите вашу систему прогнозирования в будущем?

Александр Ефимов: Программный продукт класса BI-решений не может быть завершен – он должен постоянно развиваться с учетом новых потребностей. Конечно, у нас далеко идущие планы, связанные с улучшением качества прогнозирования как за счет расширения библиотеки алгоритмов, так и за счет новых методов учета дополнительных факторов. Также мы постоянно работаем над повышением скорости работы системы.

Помимо совершенствования существующего продукта мы работаем над тем, чтобы оценивать совместное влияние на спрос механизмов ценообразования и взаимозаменяемости товаров. Цена, взаимозаменяемость, спрос – эта тройка лежит не столько в области прогнозирования продаж, сколько относится к управлению доходностью и управлению имиджем сети. Меняя уровень цен по отношению к конкурентам, можно повлиять на позиционирование всей торговой сети, а это, в свою очередь, может привести к изменению ассортиментной политики. Есть ли смысл ориентироваться на ассортимент исключительно в высокой ценовой категории или же подбирать ассортимент, ориентированный на разные слои населения? Получить ответы на эти вопросы сложно. Здесь ни у кого не существует готового, законченного решения, и новое предложение в этой области вполне может стать прорывом.