Rozpatrując metody analityczne, można wyróżnić trzy grupy algorytmów, które wykorzystuje się do prognozowania sprzedaży: pierwsza z nich oparta jest stricte na machine learningu. Wymaga jednak całego zakresu danych historycznych: dotyczących ceny, pogody, akcji marketingowych, etc., by dokonać trafnych obliczeń i generować jakościowe prognozy.
Druga z nich to szereg czasowy, który pracuje głównie na danych sprzedażowych, a ich historia nie musi być tak obszerna jak przy machine learningu. Trzecia grupa to „naive alghoritms”. Przykładem może być średnia ruchoma. W tym przypadku na podstawie jednego dnia sprzedażowego, jesteśmy w stanie wygenerować prognozy na przyszłość, traktując uśrednione wyniki jako wyznacznik zakładanej sprzedaży.
Jako że trudno jest prognozować sprzedaż dla nowego kanału, sklepu czy produktu, warto podejść do generowania prognoz, wykorzystując po kolei wszystkie trzy kroki.
- Zaczynamy od „naive methods”. Korzystając z tego typu metod, jak średnia ruchoma, jesteśmy w stanie reagować na sytuację i zapotrzebowanie od razu po wyjściu nowości na rynek. Posiłkujemy się przy tym wiedzą i doświadczeniem pracowników, którzy wspierają proces prognozowania danymi i informacjami. W tym kroku jakość prognoz nie będzie idealna i traktujemy ją jako sugestię, nie zaś pewnik.
- Następnym krokiem jest wdrożenie szeregu czasowego. To metoda, która na podstawie danych sprzedażowych, zbieranych od wprowadzenia nowości na rynek, jest w stanie zidentyfikować i wychwycić trendy, zależności czy sezonowość. To zaś ważne czynniki z punktu widzenia prognozowania sprzedaży. Jakość i trafność są znacznie wyższe niż przy metodach naiwnych, a zaangażowanie pracowników w proces prognozowania mniejsze. W tym miejscu większość obowiązków przejmuje już sztuczna inteligencja.
- Ostatnim krokiem jest przejście w stronę algorytmów opartych o machine learning. Jakość takich prognoz będzie zadowalająca bez potrzeby zaangażowania dedykowanych pracowników. Wcześniej prowadzone procesy prognozujące są fundamentem do uczenia modeli machine learningowych. Tutaj, już w pełni automatycznie, z wykorzystaniem modelu, tworzone prognozy w określonych horyzontach czasowych, a także zapotrzebowania sklepowe i polecenia komisjonowania.
Czym bardziej zaawansowana i wyrafinowana charakterystyka sprzedaży, tym więcej szczegółowych i historycznych danych potrzebujemy. Jednak – przy pierwszych dniach wprowadzenia produktu do sprzedaży, warto korzystać z naiwnych metod i ludzkiego wsparcia. Nie oznacza to, że prognozy będą bezcelowe – stanowią nie tylko punkt odniesienia do tworzenia zapotrzebowań sklepowych i zatowarowania poszczególnych punktów. Są także fundamentem dla uczenia modeli machine learningowych, które zasilane danymi sprzedażowymi będą podstawą do działania w pełni zautomatyzowanych prognoz w oparciu o AI i ML.
