Przewidywanie sprzedaży w nieprzewidywalnych czasach. Dlaczego warto prognozować nie tylko sprzedaż, ale także popyt?

Jakie korzyści zapewnia trafna predykcja popytu osiągnięta dzięki wykorzystaniu odpowiednich metod data science, wyjaśnia Daniel Szulc, Head of Analytics Data Science Logic.

Niestety niestabilna sytuacja gospodarcza sprawia, że utrzymanie rentownego biznesu sprzedaży detalicznej staje się coraz trudniejsze. Sprzedawcy muszą być w stanie przewidzieć przyszłość z pewną dokładnością, aby prowadzić dochodowy biznes. Prognozowanie sprzedaży i popytu stają się zatem dwoma kluczowymi aspektami planowania biznesowego.

Predykcja sprzedaży czy predykcja popytu – co wybrać?

Określenia predykcja sprzedaży i predykcja popytu niekiedy używane są zamiennie. Jest jednak pomiędzy nimi zasadnicza różnica. Czego owa różnica dotyczy i na której predykcji powinniśmy się szczególnie skupić? O tym w dzisiejszym artykule.

Na początek warto poświęcić chwilę na przypomnienie relacji pomiędzy kluczowymi pojęciami: popyt, sprzedaż i podaż. Popyt odnosi się do ilości produktów lub usług, jakie klienci chcieliby nabyć w danym okresie. Sprzedaż zaś to ilość produktów lub usług, które faktycznie zostały sprzedane w tymże okresie. Do zaistnienia sprzedaży, konieczna jest podaż produktów lub usług, która zdolna jest zaspokoić popyt. Podaż bowiem to ilość dostarczonych produktów i usług, które są dostępne w danym okresie. Nie ma zatem sprzedaży, gdy nie ma popytu. Nie ma jednak również sprzedaży gdy jest popyt, a brakuje wystarczającej podaży. Generalnie, możemy mieć zatem do czynienia z trzema sytuacjami:

  1. Popyt = podaż

Sytuacja idealna: klienci są usatysfakcjonowani możliwością zaspokojenia swoich potrzeb, a firma jest zadowolona gdyż sprzedaje cały dostępny zapas.

  1. Popyt > podaż

Nie wszyscy klienci są w stanie zaspokoić swoje potrzeby, firma ponosi zaś koszty utraconej potencjalnej sprzedaży. Z sytuacją taką mamy do czynienia np. wtedy gdy brakuje danego towaru w magazynie, czy na półce sklepowej w momencie, w którym konsument chciałby go nabyć. W warunkach konkurencji rynkowej, klient może w takim wypadku kupić substytucyjny produkt/usługę u konkurencji.

  1. Popyt < podaż

Sytuacja niekorzystna dla firmy, która zamroziła pieniądze w towarze zalegającym na półkach, traci możliwość wykorzystania powierzchni sklepowej i zasobów logistycznych na dostarczenie produktów na który jest popyt oraz ponosi ryzyko całkowitej utraty wartości produktu (np. w wyniki przekroczenia terminu przydatności do spożycia).

Trafne prognozy popytu pozwalają unikać sytuacji nr 2 i 3 albo przynajmniej minimalizować ich skalę i związane z nimi koszty. Jednocześnie możemy wskazać 5 obszarów, w których predykcja popytu przynosi korzyści.

Korzyści z prognozowania popytu

1) Optymalizacja produkcji i zapasów
Dzięki trafnej predykcji popytu, firma może lepiej przewidzieć, jaką ilość produktów będzie potrzebowała na dany okres To pozwala na zoptymalizowanie procesów produkcyjnych oraz kontrolowanie poziomu zapasów.

2) Zwiększenie sprzedaży
Zapewnienie odpowiedniej ilości produktów w magazynie pozwala firmie zwiększyć swoją sprzedaż oraz zadowolenie klientów.

3) Lepsze planowanie kampanii marketingowych
Dysponując trafną predykcją popytu firma może lepiej zaplanować, które produkty (lub kategorie produktowe) i w jakim okresie opłaca się promować.

4) Optymalizacja cen
Dzięki predykcji popytu i znajomości stanów magazynowych, firma może optymalizować cenę produktu, tak aby zrównoważyć popyt z podażą i zmaksymalizować zysk.

5) Redukcja kosztów

Dzięki dokładnej predykcji popytu firma może uniknąć kosztów nadmiernych zapasów i niepotrzebnych kosztów logistycznych.

Prognozowanie sprzedaży a prognozowanie popytu - różnice

Co jeśli jednak zamiast predykcji popytu będziemy przygotowywać predykcję sprzedaży? W takiej sytuacji ryzykujemy niedoszacowanie. Jak już zauważyliśmy, sprzedaż następuje wtedy, gdy popyt spotyka się z podażą. W sytuacji, w której podaż jest niewystarczająca (brak towaru) to popyt nie zostanie zaspokojony i sprzedaż będzie niższa niż mogłaby być. W skrajnym przypadku przy całkowitym braku towaru na półce, sprzedaż będzie wynosić 0. Model predykcyjny sprzedaży może w takim wypadku prawidłowo przewidzieć brak sprzedaży. Wykorzystanie jednak takiego modelu do podjęcia decyzji o właściwym zapasie produktu skutkować będzie niedoszacowaniem i utratą potencjalnej sprzedaży. Co gorsza wskaźniki dokładności takiego modelu mogą być bardzo wysokie. Możemy mieć do czynienia bowiem z samospełniającą się przepowiednią: Brak towaru -> zerowa sprzedaż -> model przewiduje brak sprzedaży w kolejnym okresie -> decyzja o braku dostawy produktu (skoro zakładany jest brak sprzedaży) -> brak towaru. I koło się zamyka.

Jest to potencjalnie kosztowny błąd na etapie przygotowywania koncepcji modelu i pułapka w którą niekiedy wpadają firmy. Tymczasem metody uczenia maszynowego pozwalają zbudować i wytrenować modele predykcyjne zdolne do predykcji popytu (a nie tylko sprzedaży). Modele takie biorą pod uwagę szereg różnych czynników wpływających na popyt (m.in. sezonowość, cenę, pogodę, promocje) i mogą działać na dowolnym poziomie agregacji (grupa produktowa/pojedynczy produkt, region/grupa sklepów/pojedynczy sklep itd.).

Podsumowanie

Trafna predykcja popytu to klucz do osiągnięcia sukcesu. Pozwala na redukcję kosztów, zwiększenie sprzedaży oraz podniesienie zadowolenia klientów. Jednak korzyści te może zapewnić tylko właściwy dobór metod data science odpowiednich do rozwiązania tego rodzaju problemu.

Tekst: Daniel Szulc, Head Of Analytics Data Science Logic

Zapraszamy do pobrania bezpłatnego ebooka z wybranymi tekstami z cyklu "We Love Data So Let's Date".

Wszystkie teksty z cyklu dostępne są tutaj.

Komentarze

Prosimy o wypowiadanie się w komentarzach w sposób uprzejmy, z poszanowaniem innych uczestników dyskusji i ich odrębnych stanowisk. Komentując akceptujesz regulamin publikowania komentarzy.