Каждый раз, когда автор заходит в магазин некоторых продуктовых сетей, невольно удивляется: как они ухитряются это делать?
На полках — полный ассортимент.
Во фреше и суперфреше — товар с нормальным, актуальным сроком годности.
В готовой еде — полки заполнены, но без ощущения, что половину вечером спишут.
Как магазин каждый день угадывает, сколько именно нужно привезти, произвести и выложить, чтобы не потерять продажи, но и не разориться на списаниях?
Подчеркнем, что особенно сложно решать эту задачу в продуктовом ритейле, где спрос меняется постоянно: из-за погоды, праздников, акций, сезона, локальных привычек покупателей и даже специфики конкретного района. Закажешь меньше товара — получишь пустую полку и упущенную выручку. Закажешь больше — столкнешься с излишками, списаниями и замороженными деньгами в товаре.
Поэтому прогнозирование спроса для ритейлера — это один из ключевых механизмов управления ассортиментом, оборачиваемостью и экономикой магазина.
Хороший пример — кейс нашего клиента SPAR, где команда 1221 Systems встроила сервис прогнозирования спроса в контур 1С. Решение использует данные о продажах, остатках, ассортименте, сезонности, праздниках, промо и других факторах, формирует прогноз на 42 дня вперед и регулярно обновляет его. На основе этих прогнозов сеть планирует поставки, автоматически формирует заказы и принимает решения по управлению ассортиментом.
Результаты:
после подключения категорий к ML-модулю выручка по ним (категориям) выросла на 13%, товарооборот — на 9%, а списания удалось снизить до 1%.
Но в таких кейсах важен еще один вывод. Точный прогноз держится не только на алгоритме. Он держится на данных.
Прогнозная модель опирается на мастер-данные в 1С: номенклатуру, ассортиментные матрицы магазинов, статусы SKU, единицы измерения, сроки годности, рецептуры и другие параметры. Если эти данные неактуальны, неполны или противоречат друг другу, то даже очень сильная модель начнет ошибаться — а бизнес быстро увидит это в виде излишков, дефицита и потерь.
Именно поэтому зрелое прогнозирование спроса в ритейле всегда строится на двух опорах: сильной модели прогнозирования и качественно выстроенных мастер-данных.
В проекте SPAR разработку и внедрение модуля прогнозирования выполнила команда 1221 Systems, а Odyssey Consulting Group как партнер усилил проект экспертизой в области управления мастер-данными и товарной информацией. Для нас это важный акцент: рабочее прогнозирование начинается с данных, которым можно доверять.
👉🏼 подробности в кейсе на retail.ru.
На полках — полный ассортимент.
Во фреше и суперфреше — товар с нормальным, актуальным сроком годности.
В готовой еде — полки заполнены, но без ощущения, что половину вечером спишут.
Как магазин каждый день угадывает, сколько именно нужно привезти, произвести и выложить, чтобы не потерять продажи, но и не разориться на списаниях?
Подчеркнем, что особенно сложно решать эту задачу в продуктовом ритейле, где спрос меняется постоянно: из-за погоды, праздников, акций, сезона, локальных привычек покупателей и даже специфики конкретного района. Закажешь меньше товара — получишь пустую полку и упущенную выручку. Закажешь больше — столкнешься с излишками, списаниями и замороженными деньгами в товаре.
Поэтому прогнозирование спроса для ритейлера — это один из ключевых механизмов управления ассортиментом, оборачиваемостью и экономикой магазина.
Хороший пример — кейс нашего клиента SPAR, где команда 1221 Systems встроила сервис прогнозирования спроса в контур 1С. Решение использует данные о продажах, остатках, ассортименте, сезонности, праздниках, промо и других факторах, формирует прогноз на 42 дня вперед и регулярно обновляет его. На основе этих прогнозов сеть планирует поставки, автоматически формирует заказы и принимает решения по управлению ассортиментом.
Результаты:
после подключения категорий к ML-модулю выручка по ним (категориям) выросла на 13%, товарооборот — на 9%, а списания удалось снизить до 1%.
Но в таких кейсах важен еще один вывод. Точный прогноз держится не только на алгоритме. Он держится на данных.
Прогнозная модель опирается на мастер-данные в 1С: номенклатуру, ассортиментные матрицы магазинов, статусы SKU, единицы измерения, сроки годности, рецептуры и другие параметры. Если эти данные неактуальны, неполны или противоречат друг другу, то даже очень сильная модель начнет ошибаться — а бизнес быстро увидит это в виде излишков, дефицита и потерь.
Именно поэтому зрелое прогнозирование спроса в ритейле всегда строится на двух опорах: сильной модели прогнозирования и качественно выстроенных мастер-данных.
В проекте SPAR разработку и внедрение модуля прогнозирования выполнила команда 1221 Systems, а Odyssey Consulting Group как партнер усилил проект экспертизой в области управления мастер-данными и товарной информацией. Для нас это важный акцент: рабочее прогнозирование начинается с данных, которым можно доверять.
👉🏼 подробности в кейсе на retail.ru.