Как ИИ помогает оптовому бизнесу в оптимизации уже выстроенных процессов, как с помощью машинного обучения ML внедрить прогнозирование спроса, увеличить выручку и прибыльность маркетинговых кампаний, снизить издержки и ускорить принятие решений – обо всем этом порталу IT-World рассказывает Андрей Никонов, CEO компании Riverstart.
ML в России и в мире. Статистика
В последние годы прослеживается явный тренд на развитие технологий искусственного интеллекта. Так, по данным портала Statista, к 2024 году объем мирового рынка ИИ достиг $84 млрд. Open AI активно развивает Chat GPT и обучает его новым функциям. В частности, Chat GPT-4.0 научился понимать не только текст, но и изображения. Предыдущая версия была точна в понимании пользователя на 70%, теперь этот показатель увеличился до 85%.
Для сравнения - в 2022 году российский рынок ИИ оценивался в 650 млрд рублей, и эти цифры продолжают расти. Российский BigTech уже давно использует ML в своих продуктах, чтобы сделать сервисы эффективнее. Например, Яндекс в 2023 году выпустил свою языковую модель YandexGPT 3 — она на 69% лучше отвечает на пользовательские запросы, а еще умеет решать бизнес-задачи и генерировать идеи.
Использование ML на благо бизнеса - уже не туманное будущее, а вполне себе настоящее, в котором множество компаний тестирует технологию и внедряет ее в работу.
Возможности ML в 2024: анализ массивов данных и поиск закономерностей
ML – технология, которая позволяет искусственному интеллекту обучаться на собственном опыте, а не просто следовать заранее заложенным алгоритмам.
Одна из главных сильных сторон ML-инструментов – способность обрабатывать и анализировать большие объемы данных. На их основе мы можем составлять точные прогнозы и создавать решения для бизнеса.
Например, машинное обучение используется для прогнозирования трендов рынка. При обучении модели мы не объясняем принципы работы экономики, а делимся данными за прошедшие годы. Постепенно компьютер учится распознавать разные факторы, которые влияют на спрос: сезонность, инфляция и другие. Так система обучается самостоятельно, опираясь на уже знакомые ей данные. А еще ML помогает автоматизировать процессы и сократить количество ошибок в однотипных задачах. ML позволяет обнаружить необычные паттерны поведения и аномалии, благодаря чему компании могут находить ошибки или операции мошенников намного быстрее. Благодаря таким новшествам безопасность бизнеса можно поднять на новый уровень.
ML уже применяют в различных сферах:
- банки оценивают потенциальных заемщиков;
- инвесторы формируют инвестиционный прогноз, ищут аномалии;
- бизнес оптимизирует производственные потери и снижает расходы на техническое обслуживание за счет прогнозирования сбоев.
ML в оптовой торговле
Есть большой список задач, решить которые быстрее и эффективнее помогают инструменты машинного обучения. Посмотрим на основные направления:
Прогнозирование спроса и планирование KPI
По опыту, бизнес, занимающийся оптовой торговлей, чаще всего использует технологии ML для прогнозирования спроса. Такие прогнозы помогают избежать дополнительных издержек, ускорить процессы принятия решений и сократить расходы на планирование.
Пример: представительство крупной международной компании, которая распространяет товары разных марок в России. Они сняли задачу по планированию с менеджеров, внедрили в рабочие процессы ML-модель прогнозирования спроса и за год смогли увеличить выручку на 2%. Как это получилось. Для бесперебойной работы им важно уже за полгода-год знать все организационные подробности: какую продукцию нужно произвести, в каком количестве она необходима, как организовать поставки и понадобятся ли дополнительные распределительные центры. Для ответа на эти вопросы компания прогнозирует спрос на каждый товар, календарный период и магазин.
Обнаружилась сложность в управлении процессами. Получалось, что региональные менеджеры подгоняли плановые данные по продажам для выполнения собственных KPI. И хотя розничные точки выполняли план, в экономическом плане в сравнении с другими периодами мог быть регресс. ML-модель анализировала все загруженные в нее показатели, касающиеся истории спроса и влияющие на спрос, и определяла KPI на всех уровнях управления.
Планирование маркетинговых акций
Этот пункт связан с предыдущим: если компания может прогнозировать спрос, она может спланировать производство, поставки и запланировать маркетинговые активности: подобрать периоды, когда нужно запустить акцию, определить сумму скидки или другой формат предложения, и обеспечить достаточное количество товара для удовлетворения спроса.
Региональные менеджеры компании, о которой мы говорили выше, могли использовать маркетинговый бюджет, чтобы с помощью скидок на товары достигать собственных KPI. Товары продавались, объемы продаж росли, но компания не использовала весь экономический потенциал и зарабатывала меньше. ML-модель лишена такой функции, она не имеет интересов, связанных с собственными KPI, не пропускает сигналы и не ошибается в расчетах.
Переходный период. Правда и мифы о российских СУБД
Михаил Рощин, заместитель директора отделения управления проектами и архитектуры в IBS, рассказал IT-World о том, действительно ли российские системы управления базами данных уступают западным в функциональности и производительности и могут негативно сказаться на эффективности бизнеса.
Планирование закупок
Еще один пример. Компания, лидирующая в сегменте производства пластиковой упаковки товаров. Из-за нестабильного спроса она часто сталкивалась с незапланированными крупными заказами от старых партнеров. Уже закупленного сырья на производство таких заказов не хватало. В итоге компания вставала перед выбором: приобретать его по завышенным ценам и брать кредиты или терять долгосрочных клиентов.
После внедрения ML-модели клиент избегает ситуаций, в которых крупный заказ появляется неожиданно. Модель анализирует историю таких запросов, выявляет закономерности и планирует спрос, тем самым позволяет заранее планировать закупки сырья на основе прогнозов. В итоге компании не нужно брать срочные кредиты с большими процентами. По подсчетам компании, она сэкономила свыше 2 млн рублей, которые тратила на срочные кредиты и незапланированные расходы из-за хранения запасов на складе.
Учет складских остатков
Эта же компания до введения ML-технологий сталкивалась с ситуациями, когда сырье «простаивает» на складе и не используется для производства из-за перерыва в заказах. Или, наоборот, на складе остается недостаточно сырья для нового заказа.
Модель, прогнозирующая неожиданные рывки и спады спроса, помогла клиенту уменьшить издержки на аренду за счет снижения расходов на обслуживание и хранение. Такой подход безопасен и надежен, потому что не привязан к конкретным условиям. Это обеспечивает безопасность и гибкость в использовании ML для решения различных задач прогнозирования спроса.
Когда использовать ML не получится
Прогнозирование с помощью ML может быть полезным инструментом, который помогает решать вопросы оптимизации быстрее и проще. Однако в некоторых случаях использование машинного обучения может не подойти бизнесу или требовать дополнительных шагов для своего применения.
Недостаток данных
Для обучения ML-модели нужен большой объем данных. Если у компании нет истории за последние несколько лет, прогнозы могут получится неточными. Связано это с тем, что модели учатся распознавать паттерны постепенно, и информации за несколько месяцев или за год не хватит для того, чтобы посмотреть, как на продажи может влиять сезонность без погрешностей.
Часто меняющийся рынок
В некоторых областях спрос меняется непредсказуемо, и модели машинного обучения испытывают сложности в прогнозах. Так, в индустрии моды тренды и идеи могут сменять друг друга особенно быстро, а устаревшие данные не будут помогать в прогнозах.
Нишевые продукты
Иногда продукты и услуги имеют специфическую и узкую аудиторию, их характеристики бывает сложно учесть в модели. К таким сферам относятся продажа коллекционных предметов и инновационные продукты, которые только выходят на новые рынки. В таких случаях можно использовать другие инструменты прогнозирования, например, экспертные оценки.
Как внедрить ML в рабочие процессы
Какие шаги нужны для внедрения ML-технологий в бизнес-процессы компаний и как это ощущается для бизнеса:
Этап подготовки
На этом этапе нужно собираем всю необходимую информацию. Именно эти данные будем использовать для создания тестовых прогнозов модели. Как правило, это исторические данные от трех с половиной лет, чтобы можно было отследить то, как на продажи влияет сезонность и другие факторы.
Слепые тесты
Проверяем, как работает модель. Для этого на основе данных прошлых лет прогнозируем результаты за предыдущий год и сравниваем их с реальными данными. Так у компании клиентов есть возможность увидеть, насколько точны расчёты, и принять решение об использовании данных.
Готовим параметры для прогноза
Выбираем период для построения модели, разбиваем прогноз по дням, неделям и месяцам, указываем планирующиеся акции, изменения цен и другие планы компании, которые нужно учесть.
Стресс-тесты
Добавляем новые параметры в модель, чтобы отследить как изменения влияют на прогнозы. Часто главными переменными являются сезонность, праздники и изменение погоды. Ожидаемо, что продажи мороженого и холодных напитков летом выше из-за жары, но теперь мы видим это в цифрах и знаем, сколько именно товара понадобится.
Получаем отчет
Программа готовит отчет на основе обработанных данных. В нем отображается вся аналитическая и логистическая информация, необходимая для поднятия эффективности бизнеса, готовая к использованию.
Как выбрать решение: индивидуальная разработка или коробка
В действительности далеко не всегда у компаний возникает необходимость в разработке собственной модели, ведь на рынке существуют универсальные решения. К таким решениям относятся SAS, AWS, Google Analytics и другие. Важно понять, может ли готовый инструмент решить задачи вашего бизнеса.
Выбираем ноутбук для учебы (и развлечений)
По каким критериям следует выбирать ноутбук для учащегося? Какие тенденции характерны для российского рынка ноутбуков сегодня? Отметим несколько наиболее популярных и интересных по соотношению цена/качество моделей ноутбуков, которые могут быть полезны.
Как правило, ответ «нет» характерен для ситуаций, где бизнес:
- планирует развивать работу с данными внутри компании и внедрять это направление в новые вертикали;
- стремится к сохранению в компании для развития моделей и оценки влияния альтернативных параметров на прогнозные значения спроса;
- видит необходимость адаптировать систему под свои задачи;
- хочет сверхточные прогнозы.
Большинство готовых решений пытается включать в себя специфику разных областей, но за счет такого подхода падает точность их прогнозов. Логика, используемая в B2C-продажах косметики, плохо подходит для B2B-торговли мороженой рыбой, эти ниши очень разные по сезонности, поведению пользователей, объемам продаж и прочим условиям.
Если трансформация готовых решений под узкие задачи бизнеса выходит более трудоемкой и дорогой, чем собственная разработка, под специализированные задачи лучше создавать собственное решение.
Основная задача ML — быть полезным для бизнеса
Машинное обучение используется для прогнозирования спроса, анализа данных, автоматизации процессов. Используя ML, мы работаем с живыми данными, и стремимся учесть все факторы, которые влияют на прогноз. ML-модель с участием AI учитывает все возможные факторы на разных уровнях и создает прогнозы учетом опыта предыдущих лет. Чем больше данных, тем точнее результат.
ML служит бизнесу, и польза подтверждается реальными кейсами, когда с помощью прогнозирования получалось увеличить прибыль, сократить расходы на аренду складов и получить больше отдачи от маркетинговых активностей.
