В основе метода лежит
Цепь Маркова или последовательность случайных событий.
Такой подход позволяет рассчитывать прогноз для товаров с высокой вариативностью и товаров редкого спроса. Для таких товаров классические алгоритмы прогнозирования не работают.
Поддержка справочника аналогов, чтобы не терять статистику продаж при модернизации продуктовой линейки;
Поддержка замены складов (когда закрываем или укрупняем склады);
Учёт сезонности по продуктам и офисам;
Учёт правил снабжения (распределительные центры);
Выравнивание статистики, автоматическая и ручная фильтрация всплесков;
Работа с цепочками поставок при расчёте математического ожидания;
Возможность гибкой настройки модели определения оптимального запаса.
Мы понимаем, что без оценки результатов прогнозирования на реальных данных, трудно оценить — работает метод или нет. Тем более, что многие Заказчики уже сталкивались с другими методами прогнозирования, которые, как правило, не обеспечивают требуемую точность. Поэтому мы предлагаем до покупки лицензий сделать пилотный проект, в рамках которого мы рассчитываем прогноз на реальных данных. После чего уже принимаем решение о покупке лицензий и запуске проекта в продуктив.
1. Анализ исходных данных
На этом этапе мы загружаем необходимые данные в Хранилище данных. Определяем какие продукты имеют достаточную статистику для расчёта профиля случайной величины, а какие будем прогнозировать по стандартной вероятности.
Требования к исходным данным
На этом этапе мы рассчитываем сезонность, настраиваем автоматическую фильтрацию всплесков, рассчитываем профиль случайной величины и моделируем спрос за день.
3. Рассчитываем оптимальный уровень сервиса и запас
На этом этапе мы учитываем финансовые показатели, такие как валовая прибыль, стоимость хранения и прочие для расчёта оптимального уровня сервиса и запаса.