Прогностическая оптимизация для моды
Мода движется новизной. Модному бренду необходимо разработать и запустить нужный продукт в нужное время, по нужной цене и с таким объемом запасов, который как раз удовлетворит потребности рынка. Затем акции используются, во-первых, для усиления спроса, а во-вторых, для распродажи оставшихся запасов. Lokad предоставляет статистическое программное решение, которое обеспечивает прогностическую оптимизацию на каждом этапе жизненного цикла продукта — от зарождения до распродажи. Наша технология охватывает именно те аспекты, которые делают моду настолько невероятно сложной: повсеместные эффекты каннибализации и замещения, непредсказуемые тренды и сезонность, бесконечный поток новых продуктов, крайне динамичные цены и т.д.
Примечание. Следующий контент не относится к жесткому сегменту товаров класса люкс, для которого применяются совершенно иные правила и ограничения. Для получения дополнительной информации см. Прогностическая оптимизация для товаров класса люкс.
Vizions by Zalando: первая платформа-конференция в Европе, 20 апреля 2017 года, Берлин
Начнем с простого вопроса. Почему, по вашему мнению, проводятся распродажи? В наши дни зимние распродажи, летние распродажи и множество небольших акций между ними стали традицией, особенно в модной индустрии. (...) Но почему они вообще существуют? Они существуют для того, чтобы ритейлерам было проще избавиться от избыточных запасов. В первую очередь, распродажи являются следствием неудачного прогноза. Можно утверждать, что сегодня они значат гораздо больше, но первоначальная цель остается прежней.
Йоаннес Верморель, основатель Lokad
LOKAD TV
Ознакомьтесь с нашими интервью на Lokad TV и узнайте больше о цепочках поставок и моде.
Комплексная оптимизация на всем жизненном цикле продукта
Этап 1 - предколлекция
Многие модные бренды запускают тысячи новых позиций в каждой коллекции — с учетом размеров, цветов, точек продаж и т.д.
За последнее десятилетие самые успешные бренды доказали свою способность все больше соответствовать последним трендам, увеличивая количество коллекций в год и сокращая сроки выхода на рынок.
Lokad’s predictive optimization technology tackles every single decision through the entire life-cycle for every product from the brand. Our technology is a mix of machine learning - used to extract patterns or predictions from the data - and of numerical optimization - used to generate optimized decisions.
The preparation of the new collection starts with the delivery of an assortment optimization - also referred to as a range plan. The Lokad technology lets you compose the right range of sizes, colors and shapes on top of the initial designs. This range plan is intended to fit as closely as possible to the wishes and expectations of your customer base. Lokad can help you generate the business case that supports the range plan, and offers the possibility to planners to refine the plan with their high-level insights - as opposed to micro-managing every single product variant.
As soon as the range plan is finalized, we deliver a purchasing optimization, suggesting exactly how many units should be produced or purchased for every single product variant - and when to order as well. Naturally, most products have never been sold before. This task is typically complicated by multiple MOQ (Minimal Order Quantities) constraints, price breaks, as well as varying lead times (e.g. Chinese New Year slowing down production in Asia). Lokad can also optimize the transportation mix (e.g. sea vs. air freight) and the source mix (e.g. overseas suppliers vs local suppliers).
As an example, our MOQ solver can tackle multiple overlapping MOQ constraints: there might be a MOQ at the product level (e.g. a minimum of 100 units per product for every purchase order), another MOQ at the fabric level (e.g. a minimum of 3000 meters of fabric per color), and a final MOQ at the supplier level (e.g. a minimum of $50,000 worth of merchandise purchased per order). Addressing all of these MOQs while keeping stock levels under control is a major hassle when MOQs are processed manually. Lokad streamlines the process entirely through numerical solvers that allow to identify the most profitable purchase order “enveloppe” that satisfies all given constraints.
Этап 2 - после запуска коллекции
Когда приближается запуск коллекции, мы реализуем оптимизацию распределения запасов, определяя точно, сколько единиц следует распределить по каждому распределительному центру и/или магазину. В магазине запасы выполняют две функции: не только удовлетворяют спрос, но и привлекают покупателей. Оптимизация распределения должным образом учитывает этот мерчендайзинговый аспект, максимально используя возможности каждого магазина. При оптимизации учитываются ограничения по вместимости (например, полочное пространство), а также ограниченные возможности сотрудников при обработке больших партий товаров. Также учитываются упаковки и партии, что помогает снизить затраты на обработку.
Чтобы соответствовать последним трендам, мы выявляем лидеров продаж и товары с низким спросом. Выявление лидеров продаж, направленное на запуск раннего пополнения запасов, может быть выполнено при ограниченных объемах запасов, с тестированием рынка в небольшом числе магазинов — возможно, даже через платформу электронной коммерции. Напротив, раннее обнаружение товаров с низким спросом также важно для как можно более скорого снятия с полок продуктов, занимающих место за счет более востребованных товаров.
Для большинства брендов быстрого моды скидки и другие промо-методы являются неотъемлемой частью ДНК бренда. Lokad предоставляет возможности оптимизации ценообразования, предлагая, когда снижать цену, чтобы к концу коллекции не осталось остатков, при этом максимизируя общий объем валовой маржи
Мы также учитываем скидки, предоставляемые в рамках программ лояльности — применяемые равномерно к множеству товаров — которые могут заменять или дополнять скидки на уровне конкретного продукта.
Оптимизация ассортимента, оптимизация закупок, оптимизация распределения запасов, выявление лидеров продаж и товаров с низким спросом, оптимизация ценообразования: Lokad может использоваться для оптимизации всех этих решений — и не только — с комплексным подходом к жизненному циклу продуктов. Однако также возможно начать с небольшого проекта с более узким охватом. Если у вас есть вопросы, напишите нам на contact@lokad.com
Мода требует неклассических прогнозов спроса
Оптимизация решений, связанных с запасами и ценами, требует точного понимания будущего. Однако классический подход к прогнозированию спроса в моде в большинстве своем не работает. Поэтому Lokad разработал уникальные возможности прогнозирования, в основе которых лежат особенности, с которыми сталкиваются модные компании.
Мы работаем с вероятностными прогнозами: мы рассматриваем все возможные варианты будущего и вычисляем их вероятности. Действительно, неопределенность спроса в моде не поддается устранению. Нет никакой надежды создать «идеальный» прогноз. Традиционные методы предполагают принятие решений на основе единственного прогноза, что делает их уязвимыми к ошибкам.
Вместо того чтобы отвергать неопределенность, мы принимаем её. С помощью вероятностных прогнозов мы балансируем риски и возможности.
Прогнозы строятся на уровне ассортимента, чтобы учитывать эффекты каннибализации и замещения. Прогнозировать спрос на продукт в изоляции бессмысленно, поскольку спрос на него сильно зависит от наличия или отсутствия аналогичных товаров, конкурирующих за одних и тех же покупателей. Традиционные методы, ориентированные на прогнозы временных рядов, полностью упускают этот аспект, а ситуация обычно усугубляется при использовании норм безопасности или уровней сервиса.
Спрос определяется ценообразованием, которое является неотъемлемой частью нашего прогноза. Будущий спрос — это не только вероятность, но и функция цены продукта, которая является инструментом воздействия для компании.
Еще раз, ассортимент имеет значение, и рост спроса зависит от общей интенсивности промо-акций. Неразумно ожидать такого же роста, если продвигается только один продукт в магазине, по сравнению с акцией для всего магазина. Прогнозы охватывают не только спрос; необходимо прогнозировать также возвраты и сроки поставки.
Каждый источник неопределенности требует корректных статистических прогнозов, и хотя будущий спрос является центральным, существуют и другие потребности, выходящие за рамки простого прогнозирования спроса, поэтому мы разработали нашу технологию соответствующим образом. Эти прогнозы также обычно являются вероятностными и, как правило, комбинируются с самими прогнозами спроса — например, при прогнозировании спроса за период ожидания. Последнее поколение нашей технологии прогнозирования основывается на дифференцируемом программировании. Этот метод, происходящий от глубокого обучения, особенно подходит для работы с разреженным и прерывистым спросом, как это часто наблюдается в модной индустрии.
А как насчет погоды и социальных сетей?
Наш опыт показывает, что большинство компаний существенно недооценивают использование собственных «базовых» исторических данных. Большинство прогнозов спроса даже не используют данные о лояльности клиентов, и большинство заказов оформляются без формального прогноза сроков поставки. Таким образом, хотя мы и не исключаем возможность получения подсказок из внешних источников, таких как социальные сети или погодные данные, мы твердо убеждены, что компании должны начать с максимально полного использования уже имеющихся у них данных.
Масштабирование для решения задачи
Массовая мода включает сотни магазинов и десятки тысяч вариантов, поэтому движок прогнозирования должен быть способен масштабироваться до миллионов позиций SKU. Наш движок прогнозирования изначально разработан для облачных вычислений. В отличие от традиционных решений, облако для Lokad не является второстепенным — Lokad может обрабатывать терабайты данных ежедневно.
Кроме того, в отличие от традиционных методов, наша способность прогнозирования не зависит от ручного связывания старых и новых продуктов путём указания системе, какой из старых продуктов следует считать наиболее релевантным для прогнозирования нового продукта.
Вместо этого, наш прогнозный движок полностью полагается на передовые алгоритмы машинного обучения для автоматического обнаружения схожестей между продуктами и для самостоятельного определения, какие конкретные продукты являются релевантными для прогнозирования нового продукта в коллекции.
Этот автоматический механизм обнаружения схожестей основывается на многочисленных атрибутах продукта, которые обычно присутствуют в модной индустрии: тип продукта, семейство продуктов, размер, цвет, ткань, стиль, ценовая категория, бренд и т.д. Хотя можно было бы беспокоиться о необходимом объёме данных, наш опыт в Lokad показывает, что данные каталога, используемые, например, для работы различных элементов интерфейса электронной коммерции, обычно достаточны для достижения хороших результатов.
Традиционные решения для прогнозирования, основанные на ручном подборе пар продуктов, слишком трудоёмки, чтобы быть эффективными – слишком много пар для рассмотрения, поскольку именно подбор пар является основным элементом прогнозов.
Из-за неэффективности этого метода компании склонны возвращаться к своим электронным таблицам, поскольку решение для прогнозирования на основе ручного подбора пар не приносит необходимой ценности. Lokad решает эту задачу напрямую, сосредотачиваясь на её основной сложности, а не перекладывая бремя на пользователей.
Однако в Lokad, хотя мы можем называть этот процесс прогнозирования подбором пар продуктов, мы не предполагаем существования соотношения один к одному между продуктами из старой и новой коллекций. Например, один продукт может быть разделён на несколько вариантов, что может привести к каннибализации. В то же время другой продукт может быть по-настоящему «новым», без близких аналогов из прошлых коллекций. В таком случае прогнозный механизм опирается на более широкие соображения, такие как категория продукта, семейство, бренд или ценовая категория.
Экономические драйверы и обеспечение прозрачности
Решения должны оптимизироваться с учётом их ожидаемой прибыли, выраженной в долларах или евро, а не в процентах.
Все факторы, определяющие стоимость и вознаграждение решения, совместно называются экономическими драйверами: сюда входят валовая маржа, затраты на хранение запасов, транспортные расходы, альтернативная стоимость торговой площади, лояльность клиентов и т.д. Lokad моделирует все эти экономические драйверы с учётом особенностей модного рынка.
Например, когда продукт продаётся со скидкой, у клиента формируется ожидание получить аналогичную скидку в будущем.
Первая цель этих экономических драйверов — поддерживать процесс численной оптимизации, который генерирует решения (например, определения объемов закупок или размеров скидок на продукты). Нет оптимизации без измерений: именно экономические драйверы позволяют процессу оптимизации работать.
Lokad не является заменой глубоким стратегическим инсайтам (они поступают от экспертизы вашей команды), наша технология разработана исключительно для того, чтобы в масштабах компании можно было реализовать эти стратегические инсайты — отражённые в экономических драйверах — в каждом принимаемом решении.
Вторая цель этих драйверов — процесс «открытости». Его суть заключается в том, чтобы предоставить вашим командам высокий уровень прозрачности для каждого решения, сгенерированного Lokad. Ваша команда должна понимать, почему именно это решение предлагается. Для этого каждое решение сопровождается набором метрик — измеряемых в евро или долларах — которые объясняют бизнес-логику принятого решения. Эти метрики являются разными проявлениями экономических драйверов. Наш опыт показывает, что этот подход предпочтительнее попыток вникнуть в мельчайшие алгоритмические детали расчёта, которые не только чрезвычайно утомительны, но и, как правило, бессмысленны за исключением специалистов по машинному обучению или численной оптимизации.
С точки зрения управления, экономические драйверы представляют собой мощный механизм, позволяющий направлять компанию в правильное русло. Эти драйверы не считаются «неизменными»; наоборот, они всегда могут быть изменены, чтобы отразить развитие рынка. Технология Lokad разработана с учётом высокой гибкости: при минимальных усилиях можно разработать сложные сценарии «что если», отражающие различные альтернативные стратегии.