Jesteś tutaj:
  • Strona główna
  • >
  • Baza wiedzy
  • >
  • Generowanie prognoz za pomocą sztucznej inteligencji: uniwersalne zastosowanie w różnych branżach
Cofnij do listy
Artykuł
Demand Management Replenishment
Other

Generowanie prognoz za pomocą sztucznej inteligencji: uniwersalne zastosowanie w różnych branżach

Bez historycznych danych sprzedażowych nie da się generować prognoz popytu i sprzedaży przy użyciu sztucznej inteligencji. W teorii więc są branże, w których moc AI i ML w kontekście prognoz nie zostanie wykorzystana. A w praktyce? To nieprawda.

Co zatem AI może zaproponować firmom, dla których standardową sytuacją jest brak historii sprzedaży? Często rotujące towary i regularnie pojawiające się nowości to codzienność dla retailerów zajmujących się modą. Z podobnymi wyzwaniami mierzy się także m.in. branża kosmetyczna.

Nowy produkt z definicji nie ma historii sprzedaży. W branży fashion około 90% produktów jest dedykowanych pod konkretny moment sezonu. To oznacza, że nigdy nie można oczekiwać historycznych danych sprzedażowych dłuższych niż kilka miesięcy. Do dyspozycji retailerów są jednak dane sprzedażowe innych, wycofanych towarów, które można ująć w grupy bądź kategorie i na ich podstawie prognozować popyt. Dlatego w branżach, w których nowości są codziennością, siła AI i ML objawia się w generowaniu prognoz na podstawie produktów referencyjnych (tj. podobnych: o takim samym kroju, kolorze, rozmiarze, długości, etc.), a także należących do tej samej kategorii produktowej.

Generowanie prognoz sprzedaży przy użyciu sztucznej inteligencji: jakie są zalety i zastosowania?

Dla przykładu: chcemy zaprognozować sprzedaż T-shirtów i optymalnie zatowarować nimi sklepy. Trudno będzie wygenerować prognozy popytu dla każdego modelu, koloru i rozmiaru. Możliwa jest jednak agregacja historycznych danych sprzedażowych dla wszystkich T-shirtów. Wyodrębniamy informację o kroju, rozmiarze, cenie, kolorze, długości, etc. Na tej podstawie możliwe jest wyciągnięcie trafnych wniosków dla naszej grupy T-shirtów o określonych cechach.

Warto myśleć także o replenishmencie. Należy wówczas spojrzeć zarówno na prognozy, jak i stock magazynowy. Platforma analizująca dane w oparciu o AI i ML jest w stanie dokonać trafnych analiz crossowych i wybrać odpowiedni scenariusz. Dla zobrazowania: do dyspozycji mamy 100 SKU T-shirtu A oraz 1000 SKU T-shirtu B. Mając wiedzę, że wszystkich T-shirtów powinno pojawić się w sklepie 10, określiwszy wcześniej reguły generowania prognoz, platforma wyciągnie adekwatne wnioski. Zasugeruje ona dostarczenie 8 T-shirtów B oraz 2 T-shirtów A.

Generowanie prognoz sprzedaży przy użyciu sztucznej inteligencji: jakie są zalety i zastosowania?

W ten sposób wykonujemy prognozy na grupach produktowych, jednocześnie wykorzystując sztuczną inteligencję także do tworzenia list zapotrzebowań sklepowych i list komisjonowania. Finalnie dostarczamy sprecyzowane zapotrzebowanie na konkretny produkt do określonego sklepu.

Lubisz wiedzieć więcej?

Dołącz do naszego newslettera

Newslettery wysyłane są w formacie wiadomości e-mail, nie częściej niż raz w miesiącu bądź niezwłocznie w przypadku istotnych aktualności/zmian/treści edukacyjnych. Więcej w regulaminie.