Jak obniżyliśmy koszty magazynowania o 30% dla klienta branży e-commerce?

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.

Zakres prac

Wspólna identyfikacja wyzwań biznesowych
Razem z klientem odkryliśmy szereg kluczowych wyzwań, z którymi borykał się przed wdrożeniem rozwiązania.

1. 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.
2. Brak bestsellerów w magazynie – niedokładne prognozy powodowały, że kluczowe produkty często były niedostępne, prowadząc do utraty sprzedaży.
3. Ręczne zarządzanie zamówieniami – manualne procesy decyzyjne nie pozwalały na elastyczne reagowanie na zmiany rynkowe.
4. 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 wdrożenia

1. Redukcja nadmiaru zapasów sezonowych
   Dzięki optymalizacji poziomu zapasów, wartość produktów zalegających na magazynie zmniejszyła się o 30%, co pozwoliło uniknąć konieczności organizowania kosztownych wyprzedaży dla tej części asortymentu.
2. Zmniejszenie strat magazynowychZnacząco zmniejszyły się straty magazynowe przez lepszą dostępność towaru (który odpowiednio zaspokoił popyt), a dzięki wdrożeniu strategii Safety Stock klient jest w stanie sprzedać o 15% więcej bestsellerów niż przed wdrożeniem rozwiązania od Alterdata.
3. Znaczna poprawa zarządzania zamówieniamiWdrożenie automatyzacji w prognozowaniu zapotrzebowania na produkty pozwoliło działowi logistyki zaoszczędzić czas, który wcześniej poświęcano na optymalizację procesu zamówień. Kluczowe obliczenia wykonują teraz modele ML, które znacząco wspierają procesy logistyczne.
4. Precyzyjniejsza analiza trendówWykorzystanie modeli do prognozowania trendów sprzedaży umożliwiło dokładniejsze przewidywanie przyszłych oczekiwań rynku, tj. identyfikowanie kategorii produktów, na które będzie zapotrzebowanie.

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!