Прогнозування попиту для сирного виробництва

Харчова промисловість

Кейс : Прогнозування попиту для сирного виробництва

Клієнт

Наш клієнт, компанія великий національний виробник сиру в Центральній Європі, звернувся до компанії Marrbery по допомогу через неточне прогнозування попиту на продукти компанії, яка щорічно втрачала приблизно $200 000 через надлишки псуваної продукції та дефіцит окремих позицій, що призводило до втрати продажів. Похибка прогнозних моделей становила понад 30%.

Опис ситуації

MSM – це провідна компанія з виробництва сирів та молочних продуктів. Вона є повністю інтегрованим підприємством, що займається виробництвом, маркетингом і продажами власних брендів сирів. Крім того, компанія володіє всім ланцюжком постачання, включно з виробництвом молочних продуктів, лабораторіями, пакувальними лініями та власною мережею розподілу продукції в торгові точки. Завдяки великим виробничим потужностям, розкиданим по різних країнах, а також дистриб’юторським угодам з найбільшими роздрібними мережами, MSM має змогу запропонувати різноманітні продукти в сегменті молочних продуктів.

Наразі MSM проводить оцінку нових продуктів, таких як безлактозний сир і веганський крем-сир “Biolife”. У той час як сирні продукти зазвичай адресовані широкій аудиторії, ці нові продукти можуть зацікавити певні сегменти ринку. “Biolife” розроблено з акцентом на споживачів із непереносимістю лактози, яка є одним із найпоширеніших видів харчових непереносимостей у світі. Крім того, вегани, які виключають продукти тваринного походження зі своєї дієти, також можуть бути основною цільовою аудиторією “Biolife”.

MSM очікує, що ці нові продукти зможуть скористатися зростаючою популярністю серед споживачів, орієнтованих на інклюзивний і здоровий спосіб життя.

MSM виробляє 20 видів сирів загальним обсягом 50 000 тонн на рік
60% продукції постачається в роздрібні мережі, 40% – у незалежні магазини
Через помилки прогнозу щомісячні втрати становили $15-20 тис.
Середня помилка прогнозу за асортиментом – 38%

Дослідження Marrbery

Віцепрезидент з маркетингу MSM звернувся до нас із запитом проаналізувати ключові аспекти, пов’язані з прогнозуванням і запуском продукту “Biolife”.

Наше завдання — надати всебічну оцінку факторів, що впливають на успішність впровадження продукту на ринок, а також виявити внутрішні резерви компанії MSM для підтримки цього процесу. Наша команда провела такі етапи аналізу та розробки:

Аналіз історії продажів: Ми детально дослідили дані про продажі за кожним продуктом і каналом розподілу за останні три роки. Це дало змогу виявити тренди та сезонні коливання попиту.
Статистичні моделі прогнозування: Ми застосували сучасні статистичні методи прогнозування часових рядів, включно з ARIMA, SARIMA і Prophet. У результаті, ми досягли рівня помилки у 22%, що є прийнятним показником.
Розробка системи машинного навчання: Наші експерти розробили власну систему прогнозування та планування на базі машинного навчання. Ця система дає змогу точніше прогнозувати попит на продукти, а також автоматизувати процес планування.
Ця система дає змогу компанії MSM поліпшити управління попитом і оптимізувати план виробництва. Ми впевнені, що впровадження цієї системи принесе значні результати та збільшить ефективність діяльності компанії у сфері виробництва сиру.

Експонат 1

Наша команда розробила систему машинного навчання для прогнозування попиту, використовуючи історичні дані про продажі компанії за останні 5 років. Ми адаптували алгоритми лінійної регресії, нейронних мереж і градієнтного бустингу під особливості даних клієнта. Це дало нам змогу створити точну і надійну модель прогнозування попиту. Крім того, система успішно інтегрована з ERP компанії, забезпечуючи ефективне управління даними.

Важливо зазначити, що наш підхід не тільки враховував історичні дані, а й врахував поточні тенденції ринку та особливості споживчого попиту і мультидисциплінарний підхід в аналізі та прогнозуванні даних.

Розробка рішення

Виявлено, що поточні прогнози ґрунтуються на суб’єктивній експертній оцінці. Це призводить до високої помилки прогнозу

Ми висунули гіпотезу, що застосування моделей машинного навчання на базі фактичних даних про продажі дасть змогу значно підвищити точність прогнозування.

Гіпотези:

Спочатку було висунуто такі гіпотези про можливі причини помилок прогнозування:

Некоректний алгоритм розрахунку прогнозу на базі експертних оцінок.
Недостатня якість вхідних даних про продажі.
Використання застарілого програмного забезпечення для прогнозування.

Після аналізу даних і поточного підходу, було підтверджено гіпотезу No1 – проблема полягає в некоректному алгоритмі на базі суб’єктивних експертних оцінок.

Для вирішення проблеми ми запропонували перейти від експертних методів до моделей машинного навчання на базі фактичних даних. Це дасть змогу значно знизити помилку прогнозування.

Словник

Основні терміни

Система прогнозування та планування: система, яка дає змогу компанії прогнозувати попит на свої продукти та послуги, а також планувати виробництво, розподіл і маркетинг.

Прогнозування: процес оцінки майбутніх значень змінних.

Планування: процес розроблення дій, які необхідно вжити для досягнення бажаних результатів.

Точність прогнозу: ступінь близькості прогнозованого значення до фактичного значення.

Термін окупності інвестицій: період часу, протягом якого інвестиції окупаються.

Конверсія продажів: відношення числа успішних продажів до загальної кількості продажів.

Аналіз даних: процес збирання, оброблення та інтерпретації даних.

Додаткові терміни

Штучний інтелект: галузь інформатики, яка займається розробкою інтелектуальних агентів, що можуть виконувати завдання, які зазвичай виконуються людьми.

Машинне навчання: галузь штучного інтелекту, яка займається розробкою алгоритмів, що можуть навчатися на даних без явного програмування.

Глибоке навчання: підрозділ машинного навчання, який використовує штучні нейронні мережі для розв’язання складних завдань.

Кейс-стаді: метод навчання, який полягає у вивченні конкретних прикладів або кейсів.

Скорочення

RMSE: Root Mean Square Error – середньоквадратична помилка.
KPI: Key Performance Indicator – ключовий показник ефективності.
AI: Artificial Intelligence – штучний інтелект.
ML: Machine Learning – машинне навчання.
DL: Deep Learning – глибоке навчання.
CMS: Customer Relationship Management – управління взаємовідносинами з клієнтами.
CRM: Customer Relationship Management – управління взаємовідносинами з клієнтами.
ERP: Enterprise Resource Planning – планування ресурсів підприємства.
MRP: Material Requirements Planning – планування потреб у матеріалах.
SCM: Supply Chain Management – управління ланцюгами поставок.

Примітки

У цьому словнику наведено основні терміни та скорочення, які використовуються в кейсі.

Для більш детального розуміння кейса рекомендується ознайомитися з додатковою літературою з систем прогнозування та планування, машинного навчання та аналізу даних.

Дерево рішень

Аналіз даних: На початку проєкту було зібрано та проаналізовано дані про продажі та виробництво компанії за останні 5 років. Це включало в себе інформацію про типи сирів, обсяги продажів, регіональні особливості тощо.
Виявлення проблеми: Аналіз даних показав, що поточні прогнози мають високу похибку – 38%. Це означає, що компанія регулярно помиляється в оцінках попиту.
Формулювання гіпотези: Гіпотеза була сформульована таким чином: “Поточна помилка прогнозу зумовлена застарілим експертним підходом. Необхідно перейти до моделей машинного навчання.”
Вибір алгоритмів машинного навчання: Для побудови моделей прогнозування було обрано алгоритми лінійної регресії, нейронних мереж і градієнтного бустингу. Ці алгоритми були адаптовані під особливості даних клієнта.
Інтеграція з ERP системою: Розроблена система була успішно інтегрована з наявною ERP системою компанії. Це дало змогу автоматизувати процес прогнозування і поліпшило планування.
Врахування поточних ринкових тенденцій: У розробленій моделі було передбачено можливість врахування поточних тенденцій ринку. Це дає змогу компанії швидко адаптуватися до змін у споживчому попиті.
Мультидисциплінарний підхід: Під час розроблення системи прогнозування було застосовано мультидисциплінарний підхід, що охоплював експертні знання, статистичний аналіз і методи машинного навчання.
Тестування та впровадження: Після розробки системи проведено тестування на тестових даних. Після успішного завершення тестування систему було впроваджено в реальні бізнес-процеси компанії.

Додаткові технічні деталі розв'язання

Для прогнозування попиту використовувалася багатофакторна модель машинного навчання на основі лінійної регресії.

В модель включалися такі фактори: ціна продукту, витрати на маркетинг, сезонність, обсяги продажів конкурентів тощо.

Для навчання моделі використовувався градієнтний спуск з адаптивними коефіцієнтами навчання для прискорення збіжності.
Для оцінки якості моделі використовувалися метрики MSE, MAE, MAPE на тестовій вибірці даних. Значення цих метрик порівнювалися з базовим прогнозом.
Архітектура нейронної мережі для прогнозування включала 2 прихованих шари по 100 нейронів з функцією активації ReLU.
Оптимізація здійснювалася за допомогою алгоритму Adam.

Розрахунок ефекту від впровадження

Практичне застосування регресійного аналізу:

Лінійна регресія для прогнозування попиту:

y = 10 + 5x1 + 0.2x2 + 0.5*x3

де x1 – витрати на маркетинг (умовно 100 тис. грн), x2 – ціна продукту (20 грн), x3 – сезонний індекс (1 в літній період).

Отже, прогнозований попит в літній період складе: y = 10 + 5100 + 0.220 + 0.5*1 = 160 тис. одиниць

Логістична регресія для ймовірності покупки:

p = 1 / (1 + e^-(1 + 0.05x1 – 0.2x2))

де x1 – впізнаваність бренду (умовно 60%), x2 – ціна (25 грн).

Тоді ймовірність покупки дорівнює: p = 1 / (1 + e^-(1 + 0.0560 – 0.225)) = 0.67

Такі умовні розрахунки дозволяють краще зрозуміти практичне застосування моделей застосування нами
Припустимо, що поточний місячний обсяг продажів складає 500 тис. одиниць.
Середня ціна одиниці продукції – 50 грн.
Поточна помилка прогнозування попиту – 30%.
Запропонована система дозволяє знизити помилку до 15%.

Тоді:

Поточний місячний дохід з продажів: 500 000 * 50 грн = 25 млн грн

Поточні місячні втрати через помилки прогнозу: 30% * 25 млн грн = 7,5 млн грн

Очікуване зниження втрат після впровадження системи: 7,5 млн грн * (30% – 15%) = 3,75 млн грн

Отже, за рік економія може скласти: 3,75 млн * 12 місяців = 45 млн грн

При вартості проекту 60 млн грн, термін окупності становитиме: 60 млн грн / 45 млн грн/рік = 1,3 року

Таким чином, навіть приблизні розрахунки на умовних даних дозволяють оцінити потенційний економічний ефект та ефективність запропонованого рішення.

Історична помилка прогнозу: 30%
Помилка моделі машинного навчання на тестових даних: 15%
Зниження помилки прогнозу: 30% – 15% = 15%
Економія від зниження помилки прогнозу: $200 000 * (30% – 15%) = $75 000 на рік
Разові витрати на впровадження: $150 000
Термін окупності проєкту: $150 000 / $75 000 = 1 рік
Прогнозоване зростання конверсії продажів: 35% + 15% = 50%
Прогнозоване зростання виручки: $200 000 * 50% = $100 000 на рік
Прогнозоване зростання прибутку: $100 000 – $75 000 = $25 000 на рік

Країни-лідери за споживанням сиру на одну особу у 2024 – 2028+ році:

Італія – 27,4 кілограма
Франція – 26,3 кілограма
Греція – 25,5 кілограма
Німеччина – 24,9 кілограма
Швейцарія – 24,6 кілограма

Очікується, що світове виробництво сиру буде продовжувати зростати в найближчі роки. Це зростання буде спричинене такими факторами, як:

Зростання населення: Зростання населення призведе до зростання попиту на всі види продовольства, включаючи сир.
Зростання доходів: Зростання доходів дозволить людям більше витрачати на продукти харчування, включаючи сир.
Зміна дієти: Люди все частіше включають в свій раціон здорові продукти, такі як сир.

Статистичні показники та розрахунки

Для прогнозування попиту використовувалася

Лінійна регресія:

Коефіцієнт детермінації R2 = 0.82, що свідчить про хорошу якість моделі

F-статистика Фішера = 78.6, модель значима на рівні p<0.01

Середньоквадратична помилка RMSE на тестовій вибірці становила 120 одиниць

Логістична регресія:

Площа під кривою ROC = 0.91, що відповідає відмінній передбачувальній здатності

У моделі висока чутливість (85%) і специфічність (80%)

Коефіцієнт конкордації на тестових даних = 0.89, що свідчить про сильний зв’язок моделі

Порівняння моделей:

Модель машинного навчання XgBoost показала на 15% меншу помилку порівняно з лінійною регресією

Деталі

Опис процесу впровадження:

Перед впровадженням проведено навчання співробітників роботі в системі

Рішення інтегровано з обліковими системами підприємства протягом 3 тижнів

Тестування і налагодження системи зайняли 2 місяці

Труднощі:

Опір персоналу змінам у бізнес-процесах

Складна ІТ-інфраструктура ускладнювала інтеграцію

Заходи подолання:

Проведено семінари з керівниками щодо зміни процесів

Розроблено проміжне ПЗ для інтеграції з ІТ-ландшафтом

Відгук клієнта:

“Завдяки новій системі ми скоротили логістичні витрати та підвищили ефективність виробництва”

Висновок

Застосування системи прогнозування та планування від Marrbery в компанії MSM стало ключовим кроком у вирішенні проблем, пов’язаних з недоліками у точності прогнозних моделей. Інтеграція системи прогнозування на основі Штучного Інтелекту виявилася досконалим рішенням для усунення надлишків та дефіцитів продукції, що призводили до серйозних фінансових втрат.

Після впровадження системи вдалося знизити помилку прогнозування на 45%, що суттєво підвищило точність прогнозів та зменшило фінансові ризики. Крім того, скорочення періоду окупності інвестицій на 20% свідчить про високу ефективність внедрення.

Зростання конверсії продажів на 15% та поліпшення аналізу даних на 30% підтверджують великий потенціал цього рішення для подальшого розвитку компанії.

Всі ці результати свідчать про важливість використання сучасних технологій, таких як штучний інтелект, у вирішенні складних завдань бізнесу та досягненні успіху в умовах конкурентного ринку.

Додаток 1

Додаткові висновки

У додаток до зазначеного, можна зробити наступні висновки:

Впровадження системи прогнозування та планування дозволило компанії MSM підвищити свою конкурентоспособность. Более точные прогнозы позволяют компании принимать более обоснованные решения о производстве, распределении и маркетинге. Это позволяет компании оптимизировать свои операции и избежать ненужных расходов.
Внедрение системы прогнозирования и планирования стало важным шагом в развитии компании MSM. Система предоставляет компании новые возможности для роста и развития. Компания может использовать систему для расширения своего бизнеса на новые рынки и разработки новых продуктов.

Результат

Підвищення точності прогнозування на 45% (зниження RMSE на 30%) демонструє величезний крок уперед у прогнозуванні, що дасть змогу компанії працювати набагато ефективніше.
Скорочення періоду окупності інвестицій на 20% (з 24 до 18 місяців) вказує на економію коштів і відновлення витрат на впровадження системи прогнозування та планування.
Зростання конверсії продажів на 15% (підвищення коефіцієнта конверсії з 35% до 40%) свідчить про поліпшення ефективності продажів і використання ресурсів.
Поліпшення аналізу даних на 30% (зменшення часу побудови моделей з 20 до 14 днів) вказує на більш швидке та ефективне прийняття рішень на основі даних.

Підвищення точності прогнозування на 45% (зниження RMSE на 30%)

Підвищення точності прогнозування на 45% (зниження RMSE на 30%)

Підвищення точності прогнозування на 45% означає, що фактичні значення будуть відрізнятися від прогнозованих на 45% менше, ніж до впровадження системи прогнозування і планування. Це може бути досягнуто за рахунок використання більш точних методів прогнозування, а також за рахунок використання більшої кількості даних.

Зменшення RMSE на 30% означає, що середня квадратична помилка прогнозування буде зменшена на 30%. Це також можна досягти за рахунок використання більш точних методів прогнозування, а також за рахунок використання більшої кількості даних.

Приклад

Припустимо, що до впровадження системи прогнозування і планування RMSE становив 100. Це означає, що фактичні значення відрізнялися від прогнозованих на середньому на 100 одиниць. Після впровадження системи RMSE зменшився до 70. Це означає, що фактичні значення відрізнялися від прогнозованих на середньому на 70 одиниць.

Переваги

Підвищення точності прогнозування має ряд переваг для компанії, включаючи:

Зменшення ризику дефіциту або надлишку запасів
Покращення ефективності виробництва і розподілу
Збільшення продажів і прибутку

Чому це важливо

Точність прогнозування є важливим фактором для будь-якої компанії, яка хоче ефективно планувати свою діяльність. Чим точніше прогнози, тим краще компанія може приймати рішення про виробництво, розподіл і маркетинг.

Як досягти

Підвищення точності прогнозування можна досягти за рахунок використання наступних методів:

Вибір правильних методів прогнозування
Використання більшої кількості даних
Покращення якості даних

Вибір правильних методів прогнозування

Існує багато різних методів прогнозування, які можна використовувати для різних типів даних. Важливо вибрати метод, який найбільш підходить для конкретного випадку.

Використання більшої кількості даних

Більше даних зазвичай означає більш точні прогнози. Однак важливо використовувати дані, які є точними і актуальними.

Покращення якості даних

Дані можуть містити помилки або пропуски. Важливо покращити якість даних, щоб забезпечити точність прогнозів.

У випадку компанії MSM, підвищення точності прогнозування було досягнуто за рахунок використання системи прогнозування і планування, яка базується на штучному інтелекті. Система використовує велику кількість даних, включаючи історичні продажі, ціни, маркетингові кампанії та погодні умови. Система також постійно навчається і покращується, що дозволяє їй забезпечувати більш точні прогнози з часом.

Рекомендації

Компаніям, які хочуть підвищити точність прогнозування, слід розглянути наступні рекомендації:

Використовуйте систему прогнозування і планування, яка базується на штучному інтелекті.
Збирайте велику кількість даних.
Покращуйте якість даних.
Контролюйте точність прогнозів.

Скорочення періоду окупності інвестицій на 20% (з 24 до 18 місяців)

Скорочення періоду окупності інвестицій на 20% (з 24 до 18 місяців)

Скорочення періоду окупності інвестицій означає, що інвестиції окупляться на 20% швидше, ніж до впровадження системи прогнозування і планування. Це було досягнуто за рахунок наступних факторів:

Підвищення точності прогнозування
Покращення ефективності виробництва і розподілу
Зменшення ризику дефіциту або надлишку запасів

Підвищення точності прогнозування

Підвищення точності прогнозування дозволило компанії MSM краще планувати виробництво і розподіл. Це призвело до зменшення витрат на виробництво і розподіл, а також до збільшення продажів.

Покращення ефективності виробництва і розподілу

Система прогнозування і планування допомогла компанії MSM покращити ефективність виробництва і розподілу. Це було досягнуто за рахунок автоматизації деяких завдань, а також за рахунок надання компанії більш точної інформації про попит.

Зменшення ризику дефіциту або надлишку запасів

Підвищення точності прогнозування також дозволило компанії MSM зменшити ризик дефіциту або надлишку запасів. Це призвело до зменшення витрат на складування і управління запасами.

Приклад

Припустимо, що компанія MSM інвестувала 100 мільйонів доларів у систему прогнозування і планування. До впровадження системи період окупності інвестицій становив 24 місяці. Після впровадження системи період окупності інвестицій скоротився до 18 місяців. Це означає, що компанія MSM отримає прибуток від інвестицій на 18 місяців раніше, ніж очікувалося.

Переваги

Скорочення періоду окупності інвестицій має ряд переваг для компанії, включаючи:

Покращення фінансових результатів
Збільшення ліквідності компанії
Зменшення ризику інвестицій

Чому це важливо

Період окупності інвестицій є важливим показником для будь-якої компанії. Чим коротший період окупності інвестицій, тим швидше компанія отримає прибуток від своїх інвестицій.

Як досягти

Скорочення періоду окупності інвестицій можна досягти за рахунок наступних заходів:

Збільшення прибутку від інвестицій
Зменшення витрат на інвестиції

Збільшення прибутку від інвестицій

Прибуток від інвестицій можна збільшити за рахунок підвищення ефективності виробництва і розподілу, а також за рахунок збільшення продажів.

Зменшення витрат на інвестиції

Витрати на інвестиції можна зменшити за рахунок вибору більш ефективних технологій і за рахунок зниження витрат на обслуговування інвестицій.

У випадку компанії MSM скорочення періоду окупності інвестицій було досягнуто за рахунок підвищення точності прогнозування, покращення ефективності виробництва і розподілу та зменшення ризику дефіциту або надлишку запасів.

Зростання конверсії продажів на 15% (підвищення коефіцієнта конверсії з 35% до 40%)

Зростання конверсії продажів на 15% (підвищення коефіцієнта конверсії з 35% до 40%)

Зростання конверсії продажів означає, що більше відвідувачів веб-сайту компанії перетворюються на реальних клієнтів. Це було досягнуто за рахунок наступних факторів:

Покращення якості веб-сайту
Покращення ефективності маркетингових кампаній
Покращення досвіду покупців

Покращення якості веб-сайту

Компанія MSM покращила якість свого веб-сайту, зробивши його більш інформативним і зручним для використання. Це було досягнуто за рахунок наступних заходів:

Додання більш детальної інформації про продукти і послуги компанії
Полегшення процесу покупки
Покращення дизайну веб-сайту

Покращення ефективності маркетингових кампаній

Компанія MSM покращила ефективність своїх маркетингових кампаній, зробивши їх більш цільовими і ефективними. Це було досягнуто за рахунок наступних заходів:

Використовування даних для таргетингу маркетингових кампаній
Використання персоналізації в маркетингових кампаніях
Створення більш привабливих маркетингових матеріалів

Покращення досвіду покупців

Компанія MSM покращила досвід покупців, зробивши його більш зручним і безперешкодним. Це було досягнуто за рахунок наступних заходів:

Впровадження швидкої доставки
Впровадження політики повернення товарів без проблем
Впровадження служби підтримки клієнтів, яка працює 24/7

Приклад

Припустимо, що компанія MSM має 1000 відвідувачів веб-сайту щодня. До впровадження заходів щодо підвищення конверсії продажів компанія отримувала 350 продажів щодня. Після впровадження заходів компанія отримує 400 продажів щодня. Це означає, що компанія MSM отримала додаткові 50 продажів щодня, що відповідає зростанню конверсії продажів на 15%.

Переваги

Зростання конверсії продажів має ряд переваг для компанії, включаючи:

Збільшення продажів
Покращення рентабельності інвестицій в маркетинг
Покращення іміджу компанії

Чому це важливо

Конверсія продажів є важливим показником для будь-якої компанії, яка продає товари або послуги через Інтернет. Чим вища конверсія продажів, тим більше продажів компанія отримує від кожного відвідувача веб-сайту.

Як досягти

Зростання конверсії продажів можна досягти за рахунок наступних заходів:

Покращення якості веб-сайту
Покращення ефективності маркетингових кампаній
Покращення досвіду покупців

У випадку компанії MSM зростання конверсії продажів було досягнуто за рахунок поєднання всіх цих заходів.

Покращення аналізу даних на 30% (зменшення часу побудови моделей з 20 до 14 днів)

Покращення аналізу даних на 30% (зменшення часу побудови моделей з 20 до 14 днів)

Покращення аналізу даних на 30% означає, що процес аналізу даних став на 30% швидшим. Це було досягнуто за рахунок наступних факторів:

Впровадження автоматизації
Використання хмарних технологій
Покращення процесів

Впровадження автоматизації

Компанія MSM впровадила автоматизацію в процес аналізу даних. Це дозволило скоротити час, який витрачається на ручні завдання, такі як завантаження даних, очищення даних і підготовка даних для моделювання.

Використання хмарних технологій

Компанія MSM перейшла на хмарні технології для зберігання і обробки даних. Це дозволило компанії економити на витратах на обладнання і на персоналі, який відповідає за обслуговування обладнання.

Покращення процесів

Компанія MSM покращила процеси аналізу даних. Це дозволило компанії уникнути дублювання зусиль і забезпечити більш ефективне використання ресурсів.

Приклад

Припустимо, що компанія MSM витрачала 20 днів на будівництво моделі аналізу даних. Після впровадження заходів щодо покращення аналізу даних компанія витрачає 14 днів на будівництво моделі аналізу даних. Це означає, що компанія MSM заощаджує 6 днів на будівництво кожної моделі аналізу даних.

Переваги

Покращення аналізу даних має ряд переваг для компанії, включаючи:

Збільшення продуктивності
Покращення якості аналізу
Зменшення витрат

Чому це важливо

Аналіз даних є важливим інструментом для будь-якої компанії, яка хоче приймати обґрунтовані рішення. Чим швидше компанія може аналізувати дані, тим швидше вона може приймати рішення і реагувати на зміни в ринку.

Як досягти

Покращення аналізу даних можна досягти за рахунок наступних заходів:

Впровадження автоматизації
Використання хмарних технологій
Покращення процесів

У випадку компанії MSM покращення аналізу даних було досягнуто за рахунок поєднання всіх цих заходів.

Конкретні заходи, які компанія MSM впровадила для покращення аналізу даних:

Впровадження інструментів автоматизації для завантаження даних, очищення даних і підготовки даних для моделювання.
Перехід на хмарну платформу для зберігання і обробки даних.
Розробка стандартизованих процесів аналізу даних.
Навчання співробітників основам аналізу даних.

Результати впровадження заходів:

Зменшення часу побудови моделей з 20 до 14 днів.
Покращення якості моделей аналізу даних.
Зменшення витрат на аналіз даних.

Оцінка точності моделі
Точність = (ТП + ТН) / (ТП + ТН + ФП + ФН)
Точність = TP / (TP + FP)
Відгук = TP / (TP + FN)
Оцінка F1 = 2 * (Точність * Відгук) / (Точність + Відгук)
Оцінка економічного ефекту:
ΔПрибуток = (Ціна — Собівартість) * ΔОбсяг продажів
ΔОбсяг продажів = Конверсія * Трафік * Uplift
Uplift = Приріст конверсії від нової моделі
Опис нейромережевої архітектури:
2 вхідні шари за кількістю факторів
3 прихованих повнозв’язних шари по 50 нейронів із функцією ReLU
Вихідний шар із лінійною активацією для передбачення значення
Оптимізація за допомогою алгоритму Adam

Підсумок результатів

Зниження помилки прогнозування з 38% до 15% (поліпшення точності на 60%)
Економія витрат на логістику і списання в розмірі $250 000 на рік
Скорочення часу планування закупівель на 20%
Зростання конверсії продажів на 15%
Прискорення аналізу даних у 1,5 раза
Термін окупності проєкту – 1 рік

Прогнозування на основі 3 сценаріїв

Прогнозування на основі 3 сценаріїв

Сценарій 1 (консервативний):

CAGR виробництва продукції у молочної галузі на 1-2% (низькі темпи зростання через обмежені інвестиції)
ROA в галузі на рівні 5-7% (низька рентабельність активів через високі витрати)
EBITDA Margin < 15% : 10-15% (низка рентабельність перед вирахуванням відсотків, податків, амортизації та знецінення) Конкурентоспроможність галузі – 3 бали.
Ліквідність 1,2-1,3 % (задовільний рівень для поточних зобов’язань)
Debt to Equity Ratio: 0.5-0.7 (низький рівень має потенціал для зростання)
Return on Equity: 3-7% (висока рентабельність власного капіталу)

Сценарій 2 (базовий):

CAGR виробництва продукції у молочної галузі на 3-4% (помірні темпи зростання)
ROA в галузі 7-9% (середній рівень рентабельності)
EBITDA Margin: 15-20% (середня рентабельність перед вирахуванням відсотків, податків, амортизації та знецінення) Конкурентоспроможність галузі – 4 бали.
Ліквідність 1,3-1,5 % (достатній запас для поточних потреб)
Debt to Equity Ratio: 0.3-0.5 (середній рівень має потенціал для зростання)
Return on Equity: 7-9% (висока рентабельність власного капіталу)

Конкурентоспроможність галузі – 3 бали.

Сценарій 3 (оптимістичний):

CAGR виробництва продукції у молочної галузі на 5%+ (високі темпи зростання)
ROA в галузі 10%+ (високий рівень рентабельності)
EBITDA Margin: 20%+(висока рентабельність перед вирахуванням відсотків, податків, амортизації та знецінення) Конкурентоспроможність галузі – 5 бали.
Ліквідність 1,5%+ (високий запас для поточних потреб)
Debt to Equity Ratio: <0.3 (високий рівень має потенціал для зростання)
Return on Equity: 10%+ (висока рентабельність власного капіталу)

Харчова промисловість

Кейс : Прогнозування попиту для сирного виробництва

Клієнт

Опис ситуації

Дослідження Marrbery

Розробка рішення

Дерево рішень

Розрахунок ефекту від впровадження

Деталі

Висновок

Результат

Рекомендації

Прогнозування на основі 3 сценаріїв

Рекомендації:

ПРО АВТОРА(АХ)

Рухаємося в майбутнє разом!

БІЛЬШЕ КЕЙСІВ

ст

Кейс: Розробка стратегій для сільськогосподарського підприємства

ст

Що таке Дизайн — мислення?

звіт

Майбутнє їжі: Без м’яса?

Зв'яжіться з нами

Політика конфіденційності

Умови експлуатації

Похожее