그런 다음 공급망의 수요 예측을 요약해 보겠습니다. 수요 예측이 판매 예측과 같지 않습니다. 판매 예측을 바탕으로 실제 경영 상황을 결합한 종합 예측으로 언제 구매할 것인지, 수량이 얼마인지 결정한다. 먼저 판매 예측부터 시작하겠습니다. 판매 예측에 대해서는 먼저 예측 프레임워크를 명확히 해야 합니다.
최소한 예측된 객체, 예측의 정확도, 예측된 객체, 예측된 기간, 예측된 데이터 수요 등 몇 가지 관점을 포함해야 합니다.
예측의 목표: 예측이 해결할 문제는 무엇입니까? 연간 구매 계획이나 OTB 를 개발하기 위해서입니까, 아니면 일상적인 운영이나 기타 목적을 모니터링하기 위해서입니까?
이 문서의 예측 목표는 반품 결정을 더욱 정확하게 하고 가장 적절한 시간에 가장 적합한 수량을 사는 것입니다.
예측의 정확성: 판매의 변화에는 여러 가지 복잡한 이유가 있습니다. 우리는 기본적으로 모든 요소를 고려하기 위해 완벽한 모델을 만들 수 없다. 예측의 본질은 믿을 수 없지만 결과가 인공 예측보다 더 정확하면 목표가 달성된다. 따라서 역사적 반품 주문 데이터를 조회하여 수동 예측의 정확성을 분석하고 이를 기준으로 기계 예측의 유효성을 측정할 필요가 있습니다.
다음으로 정확도를 계산하는 방법을 명확히 하여 몇 가지 회귀 지표 (MAD/RMSE/MAPE) 를 도입할 수 있습니다.
계산 예:
다음 그림은 도넛 월요일부터 금요일까지 예상 판매량과 실제 판매량 데이터를 기준으로 계산한 세 가지 지표입니다.
MAD = 54/5 = 10.8
Rmse = sqrt (126.8) =11.3
MAPE = 104%/5 = 2 1%
예측 대상: 예측 대상은 대규모 판매, 지역 판매, 범주 판매, 단일 판매 또는 다양한 세분성의 지역 차원, 범주 위도, 시간 차원의 조합일 수 있습니다.
여기에 정의된 대상은 대규모 헤드 상품의 판매, 즉 가장 많이 팔리는 헤드 상품입니다. 10 대 베스트셀러 SKU 의 폭은 이미 절반의 판매량에 기여할 수 있고, 롱테일 제품의 일일 평균 판매량은 너무 낮고, 예측 오차가 너무 크고, 가치가 크지 않다. 마지막으로 상품의 인도기일과 생명주기도 고려해야 한다. 나는 수명 주기가 길고 배송 주기가 한 달 정도 되는 백화점을 선택했다.
일반적으로 예측 세분성의 집결도가 높을수록 결과가 더 안정적입니다. 카테고리 판매 예측은 아이템 판매 예측보다 더 믿을 만하고, 지역 판매 예측은 단점 판매 예측보다 더 믿을 만하며, 주간 판매 예측은 일일 판매 예측보다 더 믿을 만하다. 실력이 가장 섬세한 것은 단점 아이템 단일 예측으로 기본적으로 점술의 범주에 속한다.
예측 기간: 단기, 중기, 장기 예측이 있으며, 단기 최대 1 년을 넘지 않습니다. 공급망 수요 예측의 경우 다른 상품의 배송 주기를 예측 기간으로 선택할 수 있으며, 향후 한 달 동안 개별 상품의 판매량을 예측하고 싶습니다. 다음 그림은 기간과 목적 간의 완전한 대응을 보여 줍니다.
예측 데이터 수요: 100 개 이상의 점포를 포괄하는 상품에 1 년 동안의 판매 데이터가 필요합니다.
판매 예측은 순수한 기술 알고리즘 문제가 아닙니다. 좋은 예측 모델은 비즈니스 논리에 대한 명확하고 깊은 통찰력을 필요로 한다. 이것은 마치 우리가 다원적 함수를 풀고 있는 것과 같다. 업무를 이해하면 함수에 어떤 입력이 있는지 파악하는 데 도움이 되며, 알고리즘의 선택은 단지 우리가 이 방정식을 더 빠르고 정확하게 해결하는 데 도움이 될 뿐이다. 만약 우리가 입력조차 모른다면, 알고리즘은 정확한 출력을 얻지 못할 것이다.
이 문제를 생각할 때, 먼저 상품 판매 데이터 (점포 범위 내) 를 사용하여 추세 차트를 생성하여 관찰할 수 있으며, 가능한 원인을 추측할 수 있습니다.
사례 1: 설날 이후 아래 상품 판매는 비교적 안정적인 펄스 파형을 보여 주기적인 직사각형 진동을 보여 주며, 고점은 모두 주말 판매이다. 공급망의 들쭉날쭉한 파동 리듬과 파장도 비교적 안정적이며, 표현이 양호하며, 수요 예측이 비교적 쉽다.
사례 2: 아래 상품은 8 월 상반기에 매출이 현저히 낮았다. 7 월 중순부터 총 창고가 품절되기 시작했고, 수위가 바닥난 후 제때에 반등하지 않아 점포 수, 점포재고, 판매량이 모두 빠르게 하락했다. 한편, 6 월 1 일에는 초살수가 나타났다. 장난감류는 어린이날 (토요일이기도 함) 에 특히 두드러져 평일의 두 배 이상일 수 있기 때문이다.
사례 3: 이 제품은 6 월에 수명 종료 단계에 진입했습니다. 이미 탈락한 라벨이 붙어 있어 신형 면봉으로 대체될 가능성이 있는 것으로 추정된다. 창고를 마지막으로 반납한 것은 5 월 말이다. 반품량이 많아 8 월 판매량이 감소하기 시작했다.
요약하면, 주된 이유는 다음과 같습니다.
외부 원인
A. 산업 동향 또는 상품 인기도의 변화
B. 공휴일과 주말을 포함한 공휴일 정기 변동.
C. 계절 계수
내인
D. 품절로 인한 영향은 보충 주문으로 인한 총 창고의 품절 또는 배송 논리로 인한 점포의 품절일 수 있습니다.
E. 개점, 폐점 등과 같은 경영 규모의 변화.
F. 제품 수명 주기, 제품이 탈락기에 들어가면 반품되지 않거나 새로운 주요 대안이 나타날 수 있습니다 (그러나 사전 탈락 기금은 실제로 판매량을 예측할 필요가 없습니다).
G. 경영 전략의 변화, 품유례와 폭 계획의 변화.
H. 프로모션으로 인한 판매 변화
첫째, 마케팅 프로모션 프로그램으로 인한 승객 흐름 또는 아이템 열 변화
이러한 요소가 개별 제품 판매에 미치는 영향은 예측된 알고리즘 선택보다 훨씬 중요하며, 모델에 자동으로 통합할 수 있는 속성을 결정해야 합니다.
다음으로 현재 실제 운영 중 반품 수량을 판단하는 논리를 알아보겠습니다.
1. 판매 예측은 기본적으로 지난 28 일 동안의 상품의 일일 평균 매출과 수동 결정을 기준으로 합니다.
판매 예측의 경우, 이 추정 방법은 향후 일정 기간 동안 얼마나 많은 주말이 있는지, 휴일이 있는지, 판촉 활동이 있는지, 과거 판매 추세가 상승 또는 하락했는지 (일일 매출은 동일할 수 있지만) 를 고려해야 하며, 수동 판단에 의존하여 정확성을 보장하기가 매우 어렵다.
2. 주문 시간은 [반품 주문 생산 주기+체류 일수+내부 프로세스-현재 재고 회전율 일수] 로 계산됩니다
재고 회전율 일수의 정확성은 향후 수요 예측의 진행에 따라 달라집니다.
의사 결정의 빈도는 일주일에 한 번입니다. 매주 모든 상품의 판매 및 재고 변화를 검사하여 보충 여부를 결정합니다.
시스템이 자동으로 계산되면 일주일에 한 번 하루에 한 번 줄일 수 있습니다.
4. 주문 깊이는 [주문 일수 * 예측 일일 평균 판매 * 상점 수량] 과 [최소 주문 수량] 사이의 최대값입니다.
아이템은 점포 내 판매량에 뚜렷한 차이가 있어 점포 수량만으로 주문량을 어림잡아 볼 수 있습니다. 한 점포의 범주 판매 지수를 가중치로 계산하여 범주 및 점포 차원에 대한 총 수요를 계산할 수 있습니다.
1. 일 계수를 도입합니다.
자연년 전체의 판매 데이터에 따르면 연중 일일 매출 비율을 계산할 수 있으며 공휴일과 주말에 따른 판매 변동의 영향을 포괄해야 합니다. 판매 데이터를 여러 범주로 나누면 계절적 영향도 포함할 수 있습니다.
한 자연년도의 상품 판매 추세는 무작위 변동+주기적인 변동+성장 추세에 맞춰져 있다. 주기 계수를 추출하여 시계열의 분해 프로세스인 일일 계수를 생성할 수 있습니다. 아이템 판매 예측 시나리오의 경우 일일 계수를 칫솔과 같은 가장 작은 범주로 분해해야 합니다. 구강 청결 범주의 일일 계수를 추출해야 합니다.
2. 훈련 집중에서 이상 품절 기간, 데이터 복구, 손실 회복 매출이 발견됐다.
유효 일일 평균 판매로 재고가 최소 진열량보다 낮은 점포와 단점의 판매 손실을 복구하고 줄입니다.
3. 이상치 제거, 눈에 띄는 예외의 일일일데이터 제거.
데이터 이상은 대형 공동구매로 인한 매출이 폭증할 가능성이 높으며, 지역 인터넷 단절이 수납에 영향을 미치는 매출이 하락할 가능성이 높다.
4. 상점 그룹 범주의 판매 지표를 소개합니다.
계획한 문점 수에 일일 평균 매출을 곱하기만 하면 문점 수량만 주목하고 각 문점 한 제품의 엄청난 판매 차이는 간과하고 있다. (윌리엄 셰익스피어, 윈스턴, 일평균, 일평균, 일평균, 일평균, 일평균, 일평균) 우리는 아이템의 범주에 따라 역사 판매 데이터에 있는 각 점포의 범주 판매 지수를 계산하여 점포를 나누어 각 점포군 내 아이템의 일일 평균 매출을 계산할 수 있다. 앞으로 포장할 점포는 역사적으로 이런 아이템을 판매한 점포와 다르기 때문에, 포장할 대상 점포를 범주 판매지수별로 다시 그룹화할 수 있으며, 점포 그룹당 점포 수에 점포 그룹을 곱할 수 있다. (윌리엄 셰익스피어, 점포, 점포, 점포, 점포, 점포, 점포)
5. 마케팅 계획과 판촉 계획이 최소 3 개월 전에 활동도에 따라 가중치 매개변수를 설정할 수 있는 경우 연간 마케팅 달력과 판촉 달력을 엽니다.
6. 채널의 개점 폐점 계획을 열고 새 점포 개업의 예상 판매 목표와 기존 상점의 실제 판매 데이터를 기준으로 판매비율 가중치를 계산합니다.
위 1/2/3/4 는 비교적 쉽게 구현할 수 있으며, 5/6 은 검증된 운영 시스템에 의존하여 보다 정확한 분기별 마케팅 일정/마케팅 일정 및 분기별 개점 폐쇄 계획을 사전 예방적으로 개발하여 이러한 데이터의 체계화 및 통합을 실현할 수 있습니다.
참고 자료:
수요 계획 및 관리 소개. 예측
데이터에서 계절성 및 추세 추출: r 분할을 사용합니다