Klient to dynamicznie rozwijająca się platforma sprzedaży internetowej, operująca na rynku polskim i brytyjskim. Firma zmagała się z nadmiarem zapasów sezonowych oraz brakiem dostępności bestsellerów, co skutkowało zamrożeniem kapitału, koniecznością organizowania wyprzedaży. Ponadto firma manualnie zarządzała stanami magazynowymi, co wymagało dużego zaangażowania czasu działu logistyki, a sama metoda zarządzania była mocno nieoptymalna i nie odzwierciedlała rzeczywistej sytuacji rynkowej.
Dzięki współpracy z Alterdata udało się skutecznie wdrożyć zaawansowane modele predykcyjne, zautomatyzować procesy magazynowe i znacząco zwiększyć efektywność operacyjną.
Cel projektu:
Celem projektu była poprawa efektywności zarządzania zapasami poprzez lepsze dostosowanie poziomów zapasów do rzeczywistego popytu rynkowego. Kluczowym celem było wykorzystanie danych historycznych i modeli prognostycznych w celu zmniejszenia nadmiernych zapasów sezonowych, poprawy dostępności najlepiej sprzedających się produktów oraz automatyzacji procesów decyzyjnych w ramach operacji logistycznych. Rozwiązanie zostało zaprojektowane tak, aby umożliwić szybsze podejmowanie decyzji operacyjnych opartych na danych, zmniejszyć kapitał zamrożony w zapasach oraz osiągnąć wymierną redukcję kosztów magazynowania.
Zakres prac
Wspólna identyfikacja wyzwań biznesowych
Razem z klientem odkryliśmy szereg kluczowych wyzwań, z którymi borykał się przed wdrożeniem rozwiązania.
- Nadmiar zapasów sezonowych – kapitał był zamrażany w produktach, które nie znajdowały nabywców, co prowadziło do kosztownych wyprzedaży. Ponadto sam towar zajmował dużo przestrzeni magazynowej, przez co nie było miejsca dla produktów o wysokiej rotacji i dużym popycie.
- Brak bestsellerów w magazynie – niedokładne prognozy powodowały, że kluczowe produkty często były niedostępne, prowadząc do utraty sprzedaży.
- Ręczne zarządzanie zamówieniami – manualne procesy decyzyjne nie pozwalały na elastyczne reagowanie na zmiany rynkowe.
- Brak precyzyjnej analizy popytu – dotychczasowe metody planowania nie uwzględniały dynamicznych zmian trendów i sezonowości.
Centralizacja danych
Przed rozpoczęciem wdrożenia zespół Alterdata przeprowadził dogłębną analizę danych historycznych klienta. Kluczowym wyzwaniem było zebranie i ujednolicenie informacji pochodzących z różnych kanałów sprzedaży: e-commerce, marketplace’ów oraz punktów sprzedaży.
Każdy kanał generował różne rodzaje danych, takie jak dane sprzedażowe, magazynowe, zwroty czy informacje o ruchu na stronie. Dzięki integracji tych danych w hurtowni danych BigQuery, wszystkie informacje zostały zgromadzone w jednym miejscu, co umożliwiło lepszą organizację i łatwiejszy dostęp do kluczowych danych.
Analiza danych i wdrożenie modeli predykcyjnych
W pierwszym kroku, wspólnie z zespołem klienta, zdefiniowaliśmy kluczowe wskaźniki biznesowe, które miały wpływ na popyt i zarządzanie zapasami. W ramach warsztatów zidentyfikowaliśmy również kluczowe wskaźniki oraz ustandaryzowaliśmy identyfikatory produktów, co pozwoliło na skuteczne prognozowanie.
Na podstawie historycznych danych sprzedażowych oraz analizy wzorców popytu, uwzględniającej sezonowość i wpływ czynników zewnętrznych, takich jak promocje czy zmiany cenowe, opracowaliśmy całościowe rozwiązanie analityczne, które umożliwiło optymalne planowanie stanów magazynowych.
W ramach rozwiązania zbadano różne podejścia do modelowania stanu magazynowego. Rozważano zarazem modele do analizy szeregów czasowych (LSTM, ARIMA, ...) jak i regresyjne (np. XGBoost). Duży nacisk kładziono na to aby model uwzględniał sezonowość i trendy sprzedaży, ale też zwracał uwagę na konkretne produkty, producentów, rozmiary, kolory i ich historię sprzedaży
Ostateczne rozwiązanie nie opierało się wyłącznie na modelach Machine Learning, ale stanowiło zintegrowany system analityczny, który łączył prognozy ML z klasycznymi metodami analizy danych. To z kolei pozwoliło na optymalne dostosowanie poziomów zamówień oraz minimalizację ryzyka zalegających zapasów.
Automatyzacja zarządzania zapasami
W następstwie wykorzystania Machine Learning do wdrożenia modeli predykcyjnych kluczowym etapem było ich połączenie z procesami operacyjnymi klienta. Wprowadziliśmy następujące usprawnienia:
- Wdrożenie strategii Reorder Point – system automatycznie inicjuje zamówienia na produkty, gdy model ML przewidzi, że w najbliższym czasie stan magazynowy nie zaspokoi przyszłego poziomu sprzedaży
- Metoda Safety Stock – wspomagana przez algorytmy ML pozwala dynamicznie utrzymywać odpowiedni poziom zapasów bezpieczeństwa, eliminując ryzyko nagłych niedoborów.
- Optymalizacja poziomu zamówień – algorytmy dopasowują wielkość zamówień w czasie rzeczywistym na podstawie prognoz popytu, ograniczając zamrażanie kapitału w nadmiarowych zapasach.
Rezultaty
Kluczowe efekty:
- Wysoka skuteczność predykcji: Zbudowane modele predykcyjne osiągnęły około 80% skuteczności w przewidywaniu zachowań użytkowników, co pozwoliło na wiarygodne prognozowanie aktywności i wcześniejsze reagowanie na ryzyko spadku zaangażowania.
- Uproszczona i skalowalna architektura analityczna:Wdrożenie rozwiązania w środowisku BigQueryML umożliwiło wykorzystanie istniejących danych bez konieczności ich transferu do zewnętrznych narzędzi. Dzięki temu klient zyskał łatwe w utrzymaniu, skalowalne rozwiązanie, gotowe do dalszego rozwoju przez własny zespół analityczny.
- Lepsze zrozumienie zachowań użytkowników: Projekt dostarczył zespołowi klienta pogłębionej wiedzy na temat czynników wpływających na zaangażowanie użytkowników. Pozwoliło to nie tylko na interpretację wyników modelu, ale również na wypracowanie nowych, opartych na danych scenariuszy aktywizacji i motywacji użytkowników.
Wartość biznesowa:
- Trwały wzrost jakości doświadczenia użytkowników: Lepsze dopasowanie działań do realnych potrzeb użytkowników przełożyło się na wzrost ich satysfakcji oraz poprawę relacji po obu stronach platformy.
- Szybsze i trafniejsze decyzje biznesowe: Dzięki prognozom opartym na danych, proces podejmowania decyzji został znacząco skrócony. Zespół może reagować na zmiany szybciej, opierając się na mierzalnych wskaźnikach, a nie intuicji.
Podsumowanie
Projekt pokazuje, jak nowoczesne technologie analityczne i ML mogą rewolucjonizować zarządzanie magazynem w e-commerce. Wdrożenie modeli predykcyjnych, centralizacja danych i automatyzacja procesów umożliwiły firmie skuteczniejsze gospodarowanie zapasami, co przełożyło się na realne oszczędności oraz lepszą obsługę klientów.
Jeśli Twoja firma mierzy się z podobnymi wyzwaniami, czas na decyzje oparte na danych – skontaktuj się z nami!
