Příliš velká objednávka váže peníze ve skladu. Příliš malá znamená riziko vyprodaného zboží právě ve chvíli, kdy o něj zákazníci stojí. AI může plánování zásob pomoci, její přínos ale ukáže až srovnání s dosavadním postupem na vlastních datech obchodu.

Novou pozornost k předpovídání poptávky přitáhlo říjnové uvedení modelů Timestral od francouzského Mistralu. Pracují s časovými řadami a umožňují zahrnout také doplňující informace, například plánované události. Pro e-shop jde o další možnost k otestování, vedle zavedených statistických metod a dalších modelů strojového učení.

Loňský prodej potřebuje vysvětlení

Představme si e-shop, který před zimou objednává vyhřívané rukavice. Loni se nejvíc prodávaly během listopadové akce, začátkem prosince ale některé velikosti došly. Letos obchod plánuje kampaň dříve a dodavatel požaduje objednávku šest týdnů předem.

Pouhé zopakování loňského odběru přehlíží několik okolností. Část prodejů podpořila sleva a prosincový pokles mohl způsobit prázdný sklad. Prodané množství proto nemusí odpovídat skutečné poptávce. Z historie nelze bez dalšího poznat, kolik zákazníků by nakoupilo, kdyby zboží zůstalo dostupné.

Pro první test doporučujeme spojit prodeje s cenami, termíny akcí a záznamy o nedostupnosti. Analytik pak může rozlišit běžný vývoj od období, která vyžadují zvláštní posouzení.

Co dokládají výzkum a provozní testy

Předpovídání maloobchodních prodejů má rozsáhlou výzkumnou základnu. Soutěž M5 Accuracy porovnávala metody na 42 840 časových řadách prodejů Walmartu. Nejlepší postupy dosáhly výrazného zlepšení proti srovnávacím metodám. Výsledky však také ukázaly obtížnost odhadů na úrovni jednotlivých výrobků a prodejen, kde prodej bývá nepravidelný.

Novější modely přidávají další možnosti. Coralogix například otestoval Timestral na 19 provozních řadách ze své technické infrastruktury. Výsledky byly příznivé, ale týkaly se technických metrik a předpovědí den či týden dopředu. Samy o sobě neprokazují, že model zlepší sezonní nákup zboží šest týdnů před dodáním.

Testujte rozhodování v minulosti

Pro obchodníka je podstatné porovnat nové řešení se způsobem, který používá dnes. Do testu patří odhad nákupčího i jednoduchá metoda, například prodej ve srovnatelném období minulého roku.

Hyndman a Athanasopoulos v knize Forecasting: Principles and Practice popisují postupné vyhodnocování předpovědí v čase. Pro každý testovaný termín se využijí pouze dřívější pozorování a výsledek se porovná s následujícím skutečným vývojem. Postup se opakuje pro více termínů a lze jej přizpůsobit požadované délce předpovědi.

V příkladu rukavic to znamená rekonstruovat několik historických objednávek. Model nesmí dostat údaje, které tehdy nákupčí ještě neznal. Test by měl zahrnout akce i běžné týdny a pokrývat období odpovídající dodací lhůtě.

Obchod potřebuje znát i nejistotu

Jedno předpovězené číslo neukazuje, jak výrazně se může skutečný prodej od odhadu odchýlit. Význam nejistoty zdůraznila také soutěž M5 Uncertainty, která na prodejních datech Walmartu hodnotila celé rozdělení možných výsledků prostřednictvím několika kvantilů.

Pro nákupčího je rozdíl, zda odhad vychází poměrně stabilně, nebo připouští široké rozpětí. Rozhodnutí musí zohlednit také to, co obchod stojí přebytek a co nedostatek. U sezonního zboží může neprodaná zásoba čekat na další rok, zatímco opožděné doplnění už ztracený prodej nezachrání.

Předpověď je podklad pro objednávku

AWS ve svém návrhu architektury odděluje odhad poptávky od navazujících nákupních pravidel. Do objednávky vstupují například pojistné zásoby, minimální odběr a rozpočtové limity. Jde o technický návrh dodavatele, nikoli o důkaz dosažených úspor konkrétního obchodu.

Provozní souvislosti ukazuje také švédský online supermarket Mathem. Podle případové studie RELEX propojil předpovídání a doplňování zásob s plánováním akcí. Studie uvádí zlepšení procesů i výsledků kampaní, ale popisuje širší nasazení systému. Výsledky proto nelze připsat samotnému modelu předpovědi ani je automaticky očekávat u jiného e-shopu.

Pro první pilot doporučujeme sledovat vedle přesnosti také to, zda by návrhy vedly k menším přebytkům a výpadkům. Do vyhodnocení patří i práce s daty a náklady provozu.