प्रो डिमांड प्लानिंग, होल्ट-विंटर्स और XGboost

हेब्र, नमस्कार!

एफएमसीजी की विभिन्न श्रेणियों के बिकवाली के पूर्वानुमान के बारे में साइट पर कई लेख हैं, जबकि अन्य उत्पाद श्रेणियां इतनी लोकप्रिय नहीं हैं। इसके अलावा, रिटेल की जांच आमतौर पर पहले से कई दिनों के पूर्वानुमान के साथ की जाती है, लेकिन 2 महीने पहले के पूर्वानुमान के साथ वितरक की नहीं - हालांकि बाद वाले एक खुदरा विक्रेता की तुलना में अधिक बार गुणात्मक पूर्वानुमान में रुचि रखते हैं। एक अतिरिक्त चुनौती के रूप में, यह पूर्वानुमान प्रौद्योगिकियों को चुनने के अर्थ में वितरकों के एक महत्वपूर्ण हिस्से के रूढ़िवाद पर विचार करने के लायक है। किसी कंपनी के मध्य हाथ की बिक्री की भविष्यवाणी करने के अभ्यास की कल्पना करना काफी आसान है: मानव निर्मित एक्सेल टूल में एसएपी + मास्टर डेटा से बिक्री एकत्र करना, ऐसे मामलों में स्वचालन काफी सरल पूर्वानुमान विधि तक सीमित है, जो होल्टविंटर्स के रूप में रॉकेट विज्ञान के साथ औसत / रैखिक प्रवृत्ति से बहुत दूर नहीं जाता है।

ऐसा हुआ कि, ड्यूटी पर, मैं सस्ते सजावटी सौंदर्य प्रसाधनों के एक ब्रांड (लगभग 500 एसकेयू) के निर्माता के रूप में आया और निम्न केपीआई के रूप में रूढ़िवादी पूर्वानुमान के दुखद परिणामों को देखा। पूर्वानुमान प्रक्रिया सहित योजना प्रणाली में छोटे बदलाव करना आवश्यक था, और फिर मैं अपने शोध के बारे में बात करूंगा।

स्थिति Quo Ante Bellum

कई वर्षों के लिए ब्रांड का मुख्य सिरदर्द सेवा का बेहद निम्न स्तर ( सीएसएस = शिप्ड / ऑर्डरेड ) था, कंपनी के लिए औसत से काफी कम था, जो औसत बिक्री ( पूर्वानुमान = औसत बिक्री ) के आधार पर पूर्वानुमान से बढ़ा था। दुष्चक्र: ग्राहक आदेशों को जारी करता है, पूरी मात्रा प्राप्त नहीं करता है और अगली बार बढ़ी हुई मांग के साथ आता है, और हम संतुष्ट आवश्यकता के अनुसार ही भविष्य की योजना बनाते हैं।

इसके आधार पर, बिक्री न होने का पूर्वानुमान लगाने का निर्णय लिया गया था, लेकिन आदेशों की पुनरावृत्ति को मंजूरी दे दी गई (यानी यदि ग्राहक हर सप्ताह 100 टुकड़े और ऑर्डर चाहता है, तो हम मानते हैं कि प्रति माह मांग 100 टुकड़े है, 400 नहीं), इसलिए यहां आगे की बिक्री को हम डुप्लिकेट के क्लीयर किए गए ऑर्डर कहेंगे। सेवा के स्तर में सुधार के बाद, शर्तों के बीच का अंतर समतल किया जाता है। कंपनी में पूर्वानुमान की सटीकता का अनुमान लगाने के लिए सूत्र ( पूर्वानुमान सटीकता = (1 - तथ्य और पूर्वानुमान के बीच की विसंगतियों के मॉड्यूल का योग ) का उपयोग करता है और हम इसका उपयोग करेंगे। एक महत्वपूर्ण बिंदु: इस मामले में पूर्वानुमान अंतराल 2 के साथ एक पूर्वानुमान है, अर्थात्। यदि हम अक्टूबर में सटीकता का मूल्यांकन करते हैं, तो हम अक्टूबर की बिक्री की तुलना अगस्त में किए गए पूर्वानुमान से करते हैं। यह माना जाता है कि 35% से अधिक के परिणाम को संतोषजनक माना जा सकता है। वैसे, यहां यह ध्यान देने योग्य है कि हमने वास्तव में, पहले से सटीकता में वृद्धि की उम्मीद नहीं की थी - हमें सेवा के स्तर में वृद्धि की उम्मीद थी और हम ग्राहकों को माल के शिपमेंट की गुणवत्ता के आधार पर परिणामों का मूल्यांकन करेंगे।

मुझे प्रशिक्षण के लिए नमूने पर बहुत अधिक पसीना नहीं बहाना पड़ा - हालाँकि कंपनी के पास एक विश्लेषणात्मक DWH नहीं है, लेकिन महीनों से आदेशों का एक अपलोड है, जिसे एक छोटे से पायथन चक्र ने एकत्र किया है और मंजूरी दे दी है। इसी तरह, हमें मास्टर डेटा मिला है। अत्यधिक शोर के कारण गणना में घटनाओं और प्रोमो को अनदेखा करना पड़ा (हम उपयोगी जानकारी की तुलना में अधिक शोर को जोड़ने से डरते थे), चूंकि सबसे बड़ा खुदरा विक्रेता समय-समय पर समझौते या नोटिस के बिना प्रोमो करता था, घटनाओं की मात्रा का अनुमान लगाता है, आदि।

एक मॉडल के रूप में, हमने 3 शाखाओं - Naive, Exponential Smoothing और MachineLearning का उपयोग करने का निर्णय लिया।

नौसिखिया पूर्वानुमान

भोलापन पूर्वानुमान का मुख्य कारण अभी भी उपयोग में है, मनुष्यों के लिए व्याख्या में आसानी है। वास्तव में, यदि यह किसी कंपनी के लिए 5 कोड पद्धति का उपयोग करके विस्तार से प्रत्येक कोड का विश्लेषण करने के लिए प्रथागत है, तो औसत पूर्वानुमान पूरी तरह से फिट बैठता है। क्या ग्राहक औसतन प्रति माह 10 टुकड़े का आदेश देता है? यह तर्कसंगत है कि वह अगले महीने 10 टुकड़े का आदेश देगा। परिणाम वह नहीं है जिसकी हमें उम्मीद थी और ग्राहक ने 50 टुकड़े का आदेश दिया? संभवतः, क्लाइंट को बस यह नहीं पता है कि कैसे भविष्यवाणी / ऑटो-ऑर्डर टूट गया है / रोबोट उग्र है, आदि, आपको तनाव को दूर करने और पूर्वानुमान सटीकता में सुधार करने के लिए संयुक्त पूर्वानुमान और विनिमय फ़ाइलों को लागू करना चाहिए (बेशक, एक मजाक, लेकिन कुछ सच्चाई के साथ)।

विधियों में थोड़ी प्रासंगिकता जोड़ने के लिए, हमने सुझाव दिया कि माल की मौसमीता श्रेणी की मौसमीता के समान है (मौसमी की पहचान के लिए स्टेटमॉडल पैकेज का उपयोग किया गया था, चित्र 3 मुख्य परिणाम दिखाता है)।



हमने 4 तरीके अपनाए - पूरे बिक्री इतिहास (क्रमशः 0.32 और 0.30) और अंतिम 6 अंक (0.36 और 0.26) के लिए औसत और औसत। 0.36 हमारा बेंचमार्क होगा - भविष्य में हमें बेहतर परिणाम प्राप्त करने होंगे।

ईएसएम पूर्वानुमान

घातीय चौरसाई अक्सर मांग की योजना में अंतिम सपना है और यह देखना आसान है कि क्यों। माथे में सटीकता का अनुमान सटीकता के मामले में ईएसएम और एमएल के लिए कम से कम तुलनीय परिणाम दिखाते हैं, वे सभी औद्योगिक पूर्वानुमान प्रणालियों (जेडीए, ओरेकल आरडीएफ, आदि) में शामिल हैं, गणना तेज और व्याख्या करने में आसान है - यही कारण है कि क्लासिक्स सभी जीवित चीजों की तुलना में अधिक जीवित हैं। दूसरी ओर, सुविधाओं की अपर्याप्त तैयारी के कारण परिणाम पूरी तरह से ईमानदार नहीं हो सकता है।

पूर्वानुमान के लिए, हमने उसी स्टैडमोडेल पैकेज का उपयोग किया। शुरुआत करने के लिए, हमने पूरे बिक्री इतिहास के लिए क्लैट समूह सीज़निटी के साथ और पिछले 6 अंक (सटीकता 0.34 और 0.37) के लिए होल्ट क्लास ली।

इसके बाद, हमने SKU को 2 समूहों में विभाजित किया - एक लंबे इतिहास वाले उत्पादों का पूर्वानुमान होल्टविंटर्स वर्ग द्वारा लगाया गया था, और एक छोटे से इतिहास के लिए हमने होल्ट को 6 बिंदुओं पर छोड़ दिया। परिणाम बेहतर था - 0.44, यह आसानी से समझाया गया है। यदि शीर्ष स्तर पर ऐसा लगता है कि सभी सामान जुड़वाँ भाई हैं, तो, उपश्रेणी में नीचे जाकर, हम अंतर देख सकते हैं।

एमएल का पूर्वानुमान

मानक तरीकों का मुख्य नुकसान गणना की गहराई की कमी है, क्योंकि हम सभी उपलब्ध सूचनाओं का उपयोग नहीं करते हैं। उदाहरण के लिए, घटनाओं का इतिहास: आमतौर पर, शास्त्रीय दृष्टिकोण में, हमें इतिहास से घटित पाइपों को घटाना चाहिए, एक आधारभूत पूर्वानुमान बनाना चाहिए और उचित कैलेंडर के साथ नियोजित पाइपों को जोड़ना चाहिए। घटनाओं की अपर्याप्त रूप से सटीक रिकॉर्डिंग के मामले में, परिणाम निराशाजनक हो सकता है (होल्ट-विंटर्स के मामले में हम प्राप्त करने में कामयाब रहे - सटीकता के लिए 5 पीपी)। कई कारण प्रस्तुत किए जा सकते हैं - उदाहरण के लिए, केएएम ओवरफिलमेंट दिखाने और बोनस प्राप्त करने के लिए वॉल्यूम को कम आंकते हैं। यदि हम सुविधाओं के आधार पर दृष्टिकोण ( पूर्वानुमान = आधारभूत + पाइप ) से आगे बढ़ते हैं, तो हम हमारे पास उपलब्ध जानकारी का अतिरिक्त हिस्सा ले सकेंगे। ऐसा करने के लिए, हमने 50 विशेषताओं (कीमतों, मास्टर डेटा, बिक्री, विभाजित ग्राहकों, आदि) की एक सूची तैयार की है। स्केलेर लाइब्रेरी से हमने बेस लास्सो / रिज / केएनएन रिग्रेसर लिया, जो अक्सर त्वरित जीत दिलाता है, लेकिन हमारे मामले में केवल केएन 0.44 की सटीकता से प्रसन्न था। एक यादृच्छिक जंगल में छोटे नमूनों में अच्छा इत्र होता है, हमारे मामले में, सटीकता 0.48 है। ठीक है, निश्चित रूप से, हम Xgboost के बारे में नहीं भूले, जो कि थोड़ी सी क्रॉस-वैलिडेशन के बाद सबसे अच्छा परिणाम आया - 0.51। नीचे प्रत्येक मॉडल की सटीकता के साथ एक ग्राफ है

चिंताएं

पूर्वानुमान बिक्री में एमएल के उपयोग के बारे में रूढ़िवादी क्या हो सकते हैं? उदाहरण के लिए, प्रतिक्रिया: कई ईकॉमर्स और ऑफलाइन रिटेलर्स तंत्रिका नेटवर्क और ग्रेडिएंट बूस्टिंग का उपयोग करते हैं और समय-समय पर आपको पागल आदेशों से डराते हैं। हां, निश्चित रूप से, अगर रिटेलर पूर्वानुमान की सटीकता को मापेगा, तो परिणाम आशावादी हो सकता है, लेकिन यह कुछ हद तक एक स्व-पूर्ण भविष्यवाणी है: यदि कोई गलती है, तो बिक्री / ब्लैक फ्राइडे / नेटवर्क का जन्मदिन चालू है, आदि।

इसलिए, हमारे लिए यह दिखाना महत्वपूर्ण है कि Xgboost का परिणाम न केवल अधिक सटीक है, बल्कि अधिक स्थिर भी है (और एक यादृच्छिक ग्लाइडर के रूप में यादृच्छिक रूले नहीं लग सकता है)। ऐसा करने के लिए, हमने HoltWinters और Xgboost त्रुटि वितरण के वितरण की तुलना की और यह सुनिश्चित किया कि उत्तरार्द्ध के परिणामों में शून्य और हल्का-पूंछ के आसपास सघन केंद्र है।

इंटरमीडिएट के परिणाम

लेख के लेखन की शुरुआत / पहली बार पूर्वानुमान के बाद से, सकारात्मक परिणामों के कारण सजावटी सौंदर्य प्रसाधनों के 2 और ब्रांडों को Xgboost में बदल दिया गया है। नवंबर के अंत में, सेवा के स्तर में औसत वृद्धि + 16% थी, अर्थात्। कंपनी का औसत स्तर पहुँच गया था