Задача и причина

Причина — сложность задач планирования, обусловленная широкой продуктовой матрицей, обширной географией продаж, зависимостью от сезонности и климатических факторов, а также необходимостью координации действий множества департаментов.

Задачей проекта было не просто автоматизировать расчеты, а построить одобренный на всех уровнях управления план продаж готовой продукции, который будет отличаться согласованностью (через создание единого управленческого контура для всех участников процесса), простотой и скоростью обработки данных, а также полнотой и качеством итогового результата.

Для реализации этих амбициозных задач в качестве интегратора выступила компания «ТерраЛинк», присутствующая на рынке ИТ-услуг России и СНГ уже более 30 лет и обладающая глубокой экспертизой в области интегрированного бизнес-планирования.

В рамках проекта была разработана комплексная архитектура, где расчетным ядром выступила платформа «Б1 Мастер». На ней была выстроена модель данных, позволяющая выполнять ключевые вычисления: очистка истории, прогнозирование, консолидация прогноза с учетом блоков роста, промо и ручных корректировок.

Процесс прогнозирования

Ключевой вызов этапа прогнозирования — подготовка данных, которая занимает до 80% от общего времени составления прогноза.

Процесс включает в себя сбор данных и масштабную работу со справочниками, где проводится проверка, стандартизация и унификация нормативно-справочной информации (НСИ).

После этого происходит очистка данных и выявление аномалий. В рамках проекта на текущем этапе это происходит через построение доверительного «коридора» на основе сглаженного временного ряда. Это позволяет не только подготовить данные к последующему прогнозированию, но и открывает возможность для анализа эффектов от предпринятых ранее событий.

Затем происходит определение уровней прогнозирования и расчет прогноза. На проекте используются продуктовая, клиентская и географическая иерархии, в разрезе которых происходит расчет и анализ. Чтобы снизить «разреженность» данных, были введены объединяющие атрибуты, формирующие Demand Forecasting Unit (DFU).

Cоздается реестр объектов планирования, что позволяет избежать декартового произведения (просчет матрицы продуктов на всех клиентов). Это в значительной мере повышает производительность системы и дает ей возможность работать только с нужными данными. Решение помогает сфокусировать внимание плановиков на самых важных моментах с помощью сегментации.

На основе выведенных параметров, которые плановики могут редактировать в интерфейсе системы, реализована матрица сегментации:

• Новинки — позиции, появившиеся на рынке за последние заданное количество месяцев (2, 4, 12)
• Сегмент A (Высокий приоритет) — комбинации, дающие 80% (или другую заданную долю) объема продаж. Как показала практика, в этом сегменте оказалось 50% объема продаж, который обеспечивается всего 6% комбинаций. Этому сегменту уделяется наибольшее внимание, и к нему применяются самые сложные модели на детальном уровне
• Сегменты B и C (Средний и низкий приоритет) — остальная часть структурированного спроса
• Сегмент D (Неактивные/ «Уходящая натура») — позиции, не продававшиеся последние 4-6 месяцев. В классической модели этот сегмент должен занимать около 5% объема, но в реальности проекта он составил порядка 16% объема и целых 50% всех комбинаций

По ходу проекта выявился побочный эффект: в сегмент D стали попадать не только неактивные материалы и исключенные клиенты, но и позиции с ошибками в справочниках. Например, при выводе продукта из матрицы не был указан его наследник. Или ошибки в справочниках приводили к появлению «фантомных» объектов планирования с единичными, хаотичными продажами.

Для того чтобы решать эту проблему, система визуализирует проблемные позиции, давая возможность плановикам поправить данные в ручном режиме.

После сегментации для каждого сегмента, в особенности для приоритетных A и B, проводился анализ временных рядов для выявления ключевых характеристик: непрерывность, тренд, сезонность, спорадичность и волатильность. На основе этого анализа данные распределялись по кластерам, и для каждого кластера применялась своя модель прогнозирования. Для структурированного спроса с трендом и сезонностью эффективно работала модель Холта-Винтерса, а для спорадического спроса использовались специализированные методы, такие как Кростон. Интересно, что среднее арифметическое также оставалось востребованным для бизнеса в определенных случаях ввиду его предсказуемости и понятности. Помимо базовых методов прогнозирования, использовались и методы машинного обучения, такие как Prophet и Catboost.

Прогноз запускался каскадно: для сегмента A — на детальном уровне, для B — на агрегированном, для C рассчитывался по среднему, а для D оставался на усмотрение планера. На каждом этапе, включая постобработку, работала система визуализации, позволяя планеру «проваливаться» с агрегированных показателей до детальных данных для понимания причин тех или иных цифр. Завершался процесс оценкой точности либо на тестовом периоде, либо после наступления факта.

Результат

Главным результатом проекта стало построение целостного процесса долгосрочного планирования. Клиент получил инструмент для быстрого построения прогноза. Плановик может влиять на ключевые параметры, такие как критерии сегментации и очистки, запускать процесс с любого шага, анализировать ошибки и понимать причину их возникновения. Важнейшим достижением является создание согласованной среды данных для всех департаментов компании.

Среди потенциальных зон роста были выявлены: учет внешних факторов, таких как промо-акции и макроэкономические изменения, так как текущая версия процесса опирается преимущественно на внутреннюю историческую статистику. Кроме того, объем «непрогнозируемого» сегмента D остается областью для дальнейшего методологического совершенствования, для чего потребуется высокий уровень вовлеченности плановиков и постоянная работа по нормализации справочников.