Прогнозная оптимизация для моды

Технология прогнозной оптимизации от Lokad решает каждое отдельное решение на протяжении всего жизненного цикла каждого продукта бренда. Наша технология представляет собой сочетание машинного обучения – используемого для выявления закономерностей и прогнозов на основе данных – и численной оптимизации, которая применяется для генерации оптимизированных решений.

Подготовка новой коллекции начинается с разработки оптимизации ассортимента – также называемой планом ассортимента. Технология Lokad позволяет составить правильное сочетание размеров, цветов и фасонов на основе первоначальных дизайнов. Этот план ассортимента предназначен для максимально точного соответствия пожеланиям и ожиданиям вашей клиентской базы. Lokad поможет вам сформировать обоснование для плана ассортимента и предоставляет планировщикам возможность доработать его с учетом их стратегических соображений, а не микроуправлять каждым отдельным вариантом продукта.

Как только план ассортимента утвержден, мы предоставляем оптимизацию закупок, предлагая точное количество единиц, которые следует произвести или закупить для каждого варианта продукта – а также когда размещать заказ. Естественно, большинство продуктов никогда ранее не продавались. Эта задача обычно осложняется многочисленными ограничениями по минимальному заказу (MOQ – минимальное количество заказа), ценовыми скидками, а также различиями в сроках поставки (например, замедление производства в Азии из-за Китайского Нового года). Lokad также может оптимизировать транспортную смесь (например, морские против воздушных перевозок) и источник поставок (например, зарубежные поставщики против местных).

Например, наш решатель MOQ способен справляться с несколькими пересекающимися ограничениями MOQ: может существовать MOQ на уровне продукта (например, минимум 100 единиц на каждый заказ продукта), другой MOQ на уровне ткани (например, минимум 3000 метров ткани на каждый цвет) и окончательный MOQ на уровне поставщика (например, минимум $50,000 в заказе товаров). Решать все эти ограничения, сохраняя контроль над уровнями запасов, является серьезной проблемой, когда MOQ обрабатываются вручную. Lokad полностью автоматизирует этот процесс с помощью численных решателей, позволяющих определить самую прибыльную «конвертную» закупку, удовлетворяющую всем заданным ограничениям.

Мы также учитываем скидки, предоставляемые в рамках программ лояльности – применяемые единообразно к множеству товаров – которые могут заменять и иногда дополнять скидки на уровне отдельного продукта.

Оптимизация ассортимента, оптимизация закупок, оптимизация распределения запасов, выявление хитов и медленно движущихся товаров, оптимизация цен: Lokad можно использовать для оптимизации всех этих решений – и не только – с целостным подходом к полному жизненному циклу продукта. Однако можно начать с узкой специализации. По любым вопросам пишите нам на contact@lokad.com

Снова, ассортимент имеет значение, и рост спроса зависит от общей интенсивности промоакций. Нельзя ожидать такого же эффекта, если продвигается только один товар, по сравнению с акцией, затрагивающей весь магазин. Прогнозы касаются не только спроса; необходимо прогнозировать и возвраты, и сроки поставок.

Каждый источник неопределенности требует надлежащего статистического прогнозирования, и хотя будущий спрос является ключевым, существуют и другие потребности, выходящие за рамки прогнозирования спроса, и мы разработали нашу технологию с учетом этих требований. Эти прогнозы также, как правило, являются вероятностными и часто комбинируются с самими прогнозами спроса – например, прогнозированием спроса в течение периода поставки. Последнее поколение нашей технологии прогнозирования основывается на дифференцируемом программировании. Это ответвление глубокого обучения особенно подходит для работы с разреженным и прерывистым спросом, характерным для индустрии моды.

А как насчет погоды и социальных сетей?

Наш опыт показывает, что большинство компаний крайне недооценивают использование собственных «базовых» исторических данных. Большинство прогнозов спроса даже не используют данные о лояльности клиентов, а большинство заказов оформляются без формального прогноза сроков поставки. Таким образом, хотя мы не исключаем возможность получения подсказок из внешних источников, таких как социальные сети или погодные данные, мы твердо считаем, что компании должны начать с максимально эффективного использования уже имеющихся данных.

Вместо этого, наш прогнозный движок полностью полагается на передовые алгоритмы машинного обучения для автоматического обнаружения сходств, которые могут существовать между продуктами, и самостоятельно определения, какие конкретные товары важны для прогнозирования нового продукта в коллекции.

Это автоматическое обнаружение сходств основывается на многочисленных характеристиках товаров, которые обычно присутствуют в модной индустрии: тип продукта, семейство товаров, размер, цвет, ткань, стиль, ценовой сегмент, бренд и т.д. Хотя можно было бы волноваться по поводу объёма требуемых данных, наш опыт в Lokad показывает, что данные каталога, существующие, например, для функционирования различных аспектов интерфейса электронной коммерции, обычно достаточны для достижения хороших результатов.

Традиционные решения прогнозирования, основанные на ручном подборе пар товаров, слишком трудоёмки, чтобы быть эффективными – слишком много пар для рассмотрения – ведь именно подбор пар является основным ингредиентом прогнозов.

Из-за неэффективности этого метода компании склонны возвращаться к своим электронным таблицам, поскольку метод ручного подбора пар не обеспечивает необходимую ценность. Lokad решает задачу напрямую, сосредотачиваясь на её основной сложности, а не перекладывая бремя на пользователей.

Однако в Lokad, хотя мы можем называть этот процесс прогнозирования сопоставлением товаров, мы не предполагаем, что существует однозначное соответствие между товарами из старой и новой коллекций. Например, один товар может быть разделён на несколько вариантов, что может привести к каннибализации продаж. Тогда другой товар может быть действительно «новым» и не иметь близких аналогов из прошлого. В таком случае прогнозный движок обращается к более широким соображениям, таким как категория товара, семейство, бренд или ценовой сегмент.

Первая цель этих экономических факторов — поддерживать численный процесс оптимизации, который генерирует решения (например, объемы закупок или величины скидок на товары). Нет оптимизации без измерения: именно экономические факторы в буквальном смысле заставляют работать процесс оптимизации.

Lokad не является заменой глубоким стратегическим инсайтам (они исходят из экспертизы вашей команды), наша технология разработана исключительно для того, чтобы можно было масштабно использовать эти стратегические инсайты — отражённые в экономических факторах — в каждом принятом компанией решении.

Вторая цель этих факторов — процесс «whiteboxing». Его суть заключается в предоставлении вашим командам высокой степени прозрачности для каждого решения, сгенерированного Lokad. Ваша команда должна понимать, почему именно это решение предлагается Lokad. Для этого каждое решение сопровождается набором метрик — измеряемых в евро или долларах — которые объясняют деловой смысл принятого решения. Эти метрики являются различными отражениями экономических движущих факторов. Наш опыт показывает, что этот подход превосходит попытки разъяснить алгоритмические детали расчёта, которые не только невероятно утомительны, но и в значительной степени бессмысленны, если вы не являетесь экспертом в области машинного обучения или численной оптимизации.

С точки зрения управления, экономические факторы являются мощным механизмом для направления компании в правильное русло. Эти факторы не считаются «неизменными», а, наоборот, всегда подвержены изменениям, чтобы отражать эволюцию рынка. Технология Lokad разработана для обеспечения высокой гибкости: с минимальными усилиями можно разработать сложные сценарии «что если», изображающие различные альтернативные стратегии.