Как работают технологии искусственного интеллекта в IBP

Технологии искусственного интеллекта (AI) используются в интегрированном бизнес-планировании для улучшения процессов планирования и управления цепочкой поставок.

Олёна Игнатович

Руководитель отдела ML&DS (Machine learning and Data Science) ГК «Оптимакрос»

Если говорить о применении ML-технологий в интегрированном планировании, то это как раз один из тех инструментов, который значительно влияет на скорость и точность построения прогнозов.

Сегодня, когда крупные компании накопили огромный массив исторических данных, прогнозы на основе классических методов статистического анализа и экспертного опыта становятся ресурсозатратными, а высокая скорость изменений экономической среды снижает их точность.

Инна Панченко

Директор продукта Knowledge Space

Алгоритмы ML не заменяют человека в процессах планирования, но позволяют сформировать качественную, основанную на данных базу для принятия управленческих решений.

Среди основных задач — прогнозирование спроса на товары и услуги, оптимизация процессов планирования цепочек поставок, анализ данных о клиентах и прогнозирование их поведения.

Прогнозирование спроса на товары и услуги

Одна из задач, в которой технологии искусственного интеллекта достигли ощутимых успехов — прогнозирование спроса на товары и услуги. Это позволяет компаниям лучше понимать, какие товары или услуги будут востребованы в будущем, и планировать свои запасы и производство соответствующим образом.

AI может анализировать данные о прошлых продажах, сезонных колебаниях, трендах и других факторах, чтобы предсказать будущий спрос на товары.

Инна Панченко

Директор продукта Knowledge Space

Прогнозирование спроса – это не только процесс формирования статистического прогноза с использованием доступных библиотек или ML алгоритмов.

Это комплекс мероприятий, направленный на получение наиболее точного плана спроса:
✓ формирование качественного исторического ряда (комбинация разных исторических рядов, очистка от выбросов, выявление факторов, влияющих на спрос),
✓ учет новинок или, наоборот, спроса, ставшего неактуальным,
✓ гибко настраиваемые механизмы дезагрегации прогноза,
✓ управление минимальными объемами,
✓ гибкая настройка правил формирования консенсус-прогнозов и многое другое.

Олёна Игнатович

Руководитель отдела ML&DS (Machine learning and Data Science) ГК «Оптимакрос»

Прогнозирование спроса — ключевой элемент планирования бизнеса.

Прогнозирование на базе ML позволяет быстро обрабатывать большие объемы данных, как внутренние (история по продажам, промо, запасам на складах и т.д.), так и внешние (сезонность, праздники, погода, курсы валют, данные о конкурентах) и выявлять взаимосвязи, факторы, корреляции для построения максимально точного прогноза.

Это позволяет компаниям эффективно управлять запасами, оптимизировать производственные процессы и разрабатывать стратегии маркетинга. Для крупных компаний повышение точности прогноза даже на несколько процентов может означать увеличении прибыли на миллионы рублей.

Пример. AI может анализировать данные о продажах в прошлом году и определять, какие товары были наиболее популярными в определенные периоды времени. Затем AI может использовать эту информацию для прогнозирования спроса на эти товары в будущем.

Кроме того, AI может использовать данные о клиентах, такие как их предпочтения, покупки и поведение в социальных сетях, чтобы предсказать, какие товары будут востребованы в будущем.

Пример. Если искусственный интеллект замечает, что определенный товар часто покупается вместе с другим товаром, он может предсказать, что спрос на этот товар будет расти в будущем.

Сегментация клиентской базы

AI помогает выделить различные группы клиентов на основе их предпочтений, поведения и других характеристик.

Это позволяет компаниям создавать персонализированные стратегии обслуживания для каждой группы клиентов, что в свою очередь повышает уровень удовлетворенности и лояльности клиентов.

Олёна Игнатович

Руководитель отдела ML&DS (Machine learning and Data Science) ГК «Оптимакрос»

ML может использоваться для разделения клиентов на группы по схожим характеристикам (сегментов), что позволяет компаниям персонализировать маркетинговые кампании, улучшить обслуживание клиентов и повысить эффективность продаж. Кроме того, сегментация клиентской базы помогает компаниям лучше понять потребности и предпочтения своих клиентов.

Мы подключаем ML-алгоритмы под набор данных, который нам предоставляют клиенты, подбираем лучшую модель машинного обучения, подбираем параметры,уникальные для каждого из них. В итоге клиент получает автоматический расчет высокой степени точности.

Анализ данных

Для успешного прогнозирования поведения клиентов необходимо анализировать большие объемы данных. AI обладает способностью обрабатывать и анализировать данные быстрее и эффективнее, чем человек.

Простейший пример в сегменте FMCG — анализ прошлых покупок клиента, его предпочтений и сезонности, для прогнозирования спроса на товары, планирования поставок и складских запасов.

Олёна Игнатович

Руководитель отдела ML&DS (Machine learning and Data Science) ГК «Оптимакрос»

ML может использоваться для обработки и анализа больших объемов данных, выявления скрытых закономерностей и трендов, а также автоматизации процесса принятия решений на основе данных. Это помогает компаниям извлечь ценную информацию из данных и принимать обоснованные бизнес-решения.

Инна Панченко

Директор продукта Knowledge Space

В последнее время растет количество запросов на продукты, позволяющие гибко и с минимальными трудозатратами встраивать новые ML алгоритмы (или адаптировать существующие) в корпоративные ИТ-решения.

Если раньше подключение новых алгоритмов и их параметризация рассматривалась как задача математика-разработчика, то сегодня – это инструмент планировщика. Поэтому важно обеспечить ИТ-решения интуитивно понятными интерфейсами управления математическими моделями.

Выявление паттернов

Алгоритмы машинного обучения позволяют выявлять паттерны и тенденции, которые могут быть незаметны при обычном анализе. Это помогает компаниям понимать, что мотивирует и влияет на поведение их клиентов.

Тут снова можно привести пример отрасль FMCG: паттерны поведения клиентов и выявление взаимосвязей между покупками также помогает лучше спланировать будущие поставки товаров в гипермаркеты.

Олёна Игнатович

Руководитель отдела ML&DS (Machine learning and Data Science) ГК «Оптимакрос»

ML позволяет выявлять сложные паттерны и взаимосвязи в данных, которые могут быть незаметны для человека. Это помогает компаниям оптимизировать процессы, улучшать качество продукции или услуг, а также предсказывать потенциальные проблемы или риски.

Оптимизация цепочек поставок

AI может использоваться для оптимизации процессов планирования и управления цепочкой поставок. Таким образом можно помочь компаниям определить наилучший маршрут для доставки товаров, чтобы минимизировать затраты на транспортировку и время доставки.

Кроме того, AI может анализировать данные о запасах на складах и определять, какие товары должны быть доставлены в первую очередь, чтобы минимизировать затраты на хранение и время доставки.

Еще один сценарий — использование данных о поставщиках и их ценах для поиска наилучшего поставщика для каждого товара. Это позволяет компаниям выбирать наиболее выгодных поставщиков и минимизировать затраты на закупку товаров.

Заключение

Технологии искусственного интеллекта помогают компаниям улучшить свои процессы планирования и управления цепочками поставок, повысить эффективность бизнеса, снизить затраты и себестоимость товаров и услуг.

При этом технологии AI являются одним из звеньев IBP-платформ, реализуя определенный функционал в рамках процесса планирования. Всё вместе помогает компаниям быть более гибкими и конкурентоспособными в быстро меняющемся рыночном окружении.