Ett generellt vanligt problem för många företag som arbetar med försäljnings- och budgetprognoser är att ställa rätt prognoser. Man talar ofta antingen glädjesiffror, där man har en press på sig att inte presentera för låga siffror eller rent av motsatsen, så kallad sandbagging som är en strategi för att sänka förväntningarna där siffrorna sätts lite lägre för att få en enkel ribba att kliva över. I det här fallet har man mycket att vinna på datadrivna modeller, då de kan ge en mer objektiv uppskattning och ett osäkerhetsintervall.
Syfte
Pulsen Retail är en stor svensk leverantör av IT-tjänster inom E-handel där vi med hjälp av Pulsens data och domänexpertis tittade på hur mycket olika produkter kommer säljas framöver.
Här visas en riktig försäljningsprognos av en vara. (svart kurva)
Om vi däremot skulle sälja den här produkten med 0% rabatt (röd kurva) så förutsäger modellen att varje månads försäljningssiffror kommer att minska.
Om vi däremot sätter lite rabatt, i det här fallet 15% (grön kurva) så förutsäger modellen hur mycket mer som kommer att säljas, givet hur rabatt har påverkat tidigare.
Vill du veta mer om projektet och om AI för retailers? Lyssna på Det här webbinariet med David Fendrich från Tenfifty.
Datakällor
Intern historisk kunddata för olika varor. Extern data. Etc.
Teknologier
Probabilistic programming, gradient boosted trees, hierarchical models.
Resultat
Utveckling och leverans av maskininlärningsmodeller för efterfrågan- och försäljningsprognoser där Tenfiftys maskininlärningsmodeller slår kundens mänskliga prognoser. Resultatet av modellerna gav försäljningsprognoser och möjligheter att använda informationen vid inköp och all typ av planering. Vinsten med att använda data inom detta områden är företag får mer objektiva prognoser- modellerna kommer aldrig ha en dålig dag, ge dig glädjesiffror eller dåliga siffror för att sätta låg förväntan som du kan överträffa.
