Новый взгляд аналитики

НЕВОЗМУТИМЫЙ АЛГОРИТМ ПОЛНОТЫ

 

Торговая компания занимается оптовой продажей инструментов для личного хозяйства и сопутствующих товаров. Она давно работает на рынке и имеет 7 филиалов. Все они расположены в разных регионах со своим климатом, предпочтениями и удалённостью от центральных складов.


Ширина ассортимента составляет более 5000 позиций. Их комплектность меняется от одной штуки до нескольких сотен в наборе. Наибольшую часть занимает сезонная продукция. Для его обновления постоянно запускают новые товары. С реализации снимают 9% устаревших.


Их производят фирмы России, Восточной Европы, Китая. Длительность поставок составляет от 2 до 36 недель. Количество всплесков динамики продаж достигает четырёх. Их длительность меняется от 3 до 7 периодов. Изменение величин может достигать 400%. Иногда изделия отсутствуют на складах по 1-3 месяца.


Для исправления ситуации проведён маркетинговый анализ продаж номенклатуры. Товары были объединены в новые группы. Их количество увеличилось в 7 раз. Критериями стали функциональность, сезонность, цена, комплектность.


Для каждой территории была выделена своя динамика продаж. Внутри неё были сформированы ещё два направления. Это собственные потребности филиалов, которые во многом соответствуют запросам покупателей. И закупочные требования сетей, опережающие потребность рынка на 2-3 месяца. В результате получилось пять тысяч временных рядов.


Нейронные сетьи плохо воспринимают негладкие ряды значений с пропусками. Необходимо создать алгоритм, позволяющий уменьшать разности значений временного ряда. Он должен сглаживать различные отклонения, то есть кривую линию делать более гладкой. Работать с фазами нулевых значений и с краткими периодами сильных выбросов. Такие возможности предоставлять для всех рядами массива одновременно.


Алгоритм должен улучшить гладкость ряда с учётом последующего маркетингового поведения. Последнее учитывает опережение, запаздывание и накопление спроса. При реализации использовалась интервальная логико-математическая модель. Он адаптируется под конкретные данные, действуя избирательно на резкие колебания ряда.


В результате точность изначально не нулевых и в последующем скорректированных значений находится в пределах 92-98%. Он правдоподобно восполняет пропущенные на коротких диапазонах величины. Особенностью является то, что в нём не заложены какие-то формулы или методика. Он опирается на существующие рядом значения.


Разработана логика работы алгоритма и проведена реализация. Предоставлены данные по продажам за последние 30 месяцев. Этот период был зафиксирован в реализации алгоритма. Использовались стоимостные величины групп товаров.


Графики сравнения исходных и гладких данных с помощью нового алгоритма. Его особенность в том, что он “старается” сохранить суммарную величину по ряду. Сиреневым цветом показаны фактические значения продаж, салатовым цветом – сглаженные величины. В работе использовалась аналитическая платформа Loginom.

Графики реальных и гладких значений рядов

Следует составлять прогнозы не реже одного раза в месяц. Это нужно для постепенного выхода на естественную покупательскую динамику. Алгоритм следует применять только как этап устранения шума в данных.

 

Продолжение читайте в части II.