Проект

«БСХ Бытовые Приборы» внедрила автоматизированное решение по прогнозированию спроса с помощью машинных алгоритмов

Заказчики: БСХ Бытовые Приборы (BSH Bosch and Siemens Home Appliances Group)

Санкт-Петербург; Машиностроение и приборостроение

Продукт: Проекты ИТ-аутсорсинга

Дата проекта: 2019/06 — 2019/11
Технология: ИТ-аутсорсинг
подрядчики - 820
проекты - 2550
системы - 173
вендоры - 118

2019: Автоматизация прогнозирования продаж, расчета стоков и планирования промоакций

3 декабря 2019 года компания GoodsForecast сообщила, что компания «БСХ Бытовые Приборы» внедрила дополнительные методы прогнозирования продаж, расчета стоков и планирования промоакций, основанные на прогнозных моделях, разработанных компанией GoodsForecast с применением технологий машинного обучения (machine learning, ML).

Для БСХ было создано автоматизированное решение по прогнозированию спроса с помощью машинных алгоритмов, которое позволило упростить процесс планирования товаров категории B и С с невысоким уровнем продаж.

«
«Автоматический прогноз сэкономил нам время на решение задач, стоящих перед специалистами отдела планирования. Важным фактором является то, что в компании уже успешно функционировала система прогнозирования спроса, и многие процессы были выстроены. Внедрять элементы машинного обучения без налаженного бизнес-процесса бесполезно»,

отметил Павел Соболев, руководитель проектов БСХ Россия
»

Также БСХ внедрила автоматизированный способ расчета оптимального уровня страхового запаса на складах (так называемого Safety Time). Этот параметр система определяет на основе волатильности качества поставок и предсказуемости продаж. Благодаря такому способу расчета страхового уровня стоков компания за время реализации проекта сократила запасы на складах примерно на 9% и стала точнее управлять оборачиваемостью и уровнем сервиса по разным группам товаров.

До реализации автоматического расчета в БСХ уже действовала система автоматического формирования заказов на заводы, в которой ежедневно формировались потребности производства. Но контролировать вручную параметры страхового запаса для каждого вида товара было сложно.Банковская цифровизация: ускоренное импортозамещение и переход на инновации. Обзор и рейтинг TAdviser 13.3 т

Решено было изменить подход к расчетам страхового запаса и создать систему, в которой пользователи могли бы в полуавтоматическом режиме корректировать основной показатель, моделируя целевые уровни сервиса и оборачиваемости товаров. Если традиционно уровень страхового запаса рассчитывается по стандартной формуле Safety Stock, то есть в штуках, то в кейсе БСХ его заменили на Safety Time (исчисляется в днях). Это обеспечило ряд преимуществ: Safety Time не требует постоянной корректировки, так как, в отличие от Safety Stock, не зависит от сезона, его легче проверить, и он может быть усреднен для схожих товаров.

«
«Прежде этот параметр определяли на основании экспертных оценок, не зная точно, как его обосновать. Интуитивно понимали, что на тот или иной товар нужно заложить определенное количество дней, а почему и к каким результатам это приведет, было не всегда понятно»,

отметил Павел Соболев, руководитель проектов БСХ Россия
»

Анализ «больших данных» (Big Data) также помог БСХ сократить время на планирование и оценку промоакций – в среднем на 20-30 минут на каждую: разработанные GoodsForecast математические алгоритмы позволяют еще на этапе согласования промоакции автоматически рассчитать базовый уровень продаж, очищенный от эффекта промо. Эффект промоакции стало возможно оценивать как разницу между базовым уровнем и фактическим уровнем продаж.

БСХ продолжит применять методы машинного обучения.