Loginom Хакатон 2020. Секция «Управление товарными запасами»

В ролике рассмотрена задача управления товарными запасами, которая актуальна для всех компаний, занимающихся оптовыми, розничными или интернет-продажами. 00:00 — Начало доклада команды 1. 03:03 — Постановка задачи управления запасами и оптимизации логистики. 04:15 — Описание библиотеки компонентов. 05:00 — Модуль «Очистка данных». 06:00 — Модуль «Анализ данных». 08:22 — Модуль «Прогнозирование». 11:43 — Демопример. 12:32 — Визуализация результатов анализа. 18:34 — Выводы. 19:17 — Начало доклада команды 2. 20:10 — Постановка задачи анализа ассортимента. 20:23 — Описание библиотеки компонентов. 22:15 — Демопример. 22:38 — Визуализация результатов анализа. 23:48 — Выводы. Автоматизация управления запасами — это сложный, разветвленный процесс. Одним из его этапов, как правило, является проведение анализа ассортимента. Использование low-code платформы Loginom для решения задач анализа и оптимизации товарных запасов наиболее актуально в следующих случаях: 1. Широкий ассортимент продукции — от 1000 SKU и более. 2. Частое обновление номенклатуры. 3. Сложный алгоритм планирования запасов, учитывающий прогнозы спроса. 4. Большая трудоемкость процесса планирования. 5. Необходимость импорта/экспорта данных из/в различные источники. 6. Дефицит ресурсов команды аналитиков. Для решения задачи управления товарными запасами в Loginom была разработана библиотека компонентов, которая включает в себя 19 компонентов и состоит из 3-х модулей: очистки, анализа, прогнозирования. В модуле «Очистка данных» компоненты оценивают пригодность данных для анализа и прогнозирования: выявляют ошибки в данных (пропуски, выбросы, дубли); определяют аномальные значения в ряде, статистические характеристики рядов, товары со скидкой. Функциональность компонента «Обработка пропущенных и отрицательных значений» заключается в выборе и удалении отрицательных данных, удалении или заполнении пропусков в данных. Модуль очистки данных включает в себя компонент «Определение скидки», в котором реализована возможность определения акционных товаров за определенный период. В модуле «Анализ данных» производится выделение и расчет различных характеристик товаров. Эти характеристики используются при подборе моделей прогнозирования и классификации. Модуль включает 8 компонентов: определение новинок, ABC-анализ продаж, XYZ-анализ продаж, этапы жизненного цикла, определение уровня сервиса I рода, BCG-кластеризация, характер спроса, коэффициент сезонности. Компонент «Флаг Новинка» определяет является ли товар новым, или нет. Если товар новый, он исключается из анализа и прогнозирования ассортимента. В компонентe «Уровень сервиса I рода» после проведения кросс ABC-анализа путем совмещения групп по частоте и прибыли, каждому SKU присваивается кросс-группа на основании которой и устанавливается уровень сервиса. Компонент «Этапы жизненного цикла» определяет на каком из 4-х этапов находится каждый товар: выход на рынок, рост, зрелость, спад. Компонент «BCG-классификация» определяет, к какому сегменту Бостонской матрицы относится каждый товар. Выход на рынок — товар «проблема», рост — товар «звезда», зрелость — товар «дойная корова», спад — товар «собака». Характер спроса бывает редким и гладким. Компонент «Характер спроса» выделяет товары гладкого спроса для дальнейшего выбора оптимальной модели прогнозирования. В модуле «Прогнозирование» происходит формирование временных рядов, строятся модели прогнозирования временных рядов и ретропрогнозы, производится расчет ошибок и выбор наилучшей модели. Модуль прогнозирования содержит 6 компонентов и использует 6 моделей прогноза. Компонент «Формирование временных рядов» определяет дату первой и последней продажи по каждому товару, а промежуток времени между этими продажами делит на равные отрезки. Если за определенный отрезок времени не было продаж, то ячейке «Количество» присваивается значение 0 или среднее значение. На выходе компонента рассчитывается временной ряд для каждого товара. Компонент «Экспоненциальное прогнозирование» использует метод экспоненциального сглаживания. С удалением значений ряда от текущего момента в прошлое их вклад в прогноз экспоненциально убывает. Компонент «Модель Хольта-Винтерса» учитывает сглаженный экспоненциальный ряд, тренд и сезонность. Данный компонент позволяет сделать прогноз на длительный период, при условии наличия исторических данных минимум за 2 предшествующих года. Компонент «Выбор модели прогноза» после построения каждой модели сравнивает их по средним ошибкам и выбирает наилучшую модель прогнозирования. Все возможности аналитической платформы: https://loginom.ru/platform Скачать бесплатную редакцию Loginom: https://loginom.ru/download Отраслевые решения для бизнеса: https://marketplace.loginom.ru/solutions Электронные курсы по Data Science: https://loginom.ru/skills Остались вопросы? Пишите: https://loginom.ru/company/feedback #loginom #lowcode #datascience #анализданных #аналитикаданных #хакатон #управлениезапасами #управлениетоварнымизапасами