Как выжать максимум из оборудования, используя Data-driven подход

Делимся ключевыми моментами из доклада Ксении Рахимзаде, эксперта по цифровизации на конференции Systech Family Area 2024.

Как выжать максимум из оборудования, используя Data-driven подход

На заре дистрибуции стенды или холодильники покупались под запрос бизнеса как «дополнительное место продаж». Считалась общая окупаемость оборудования, а оправдалась та или иная покупка, никто не знал.

Может ли в этом помочь ML-решение? Да, если модель корректно обучить. Тогда она:

  1. Рассчитывает аплифт, анализируя загруженную в нее адресную программу. Модель показывает, в каких точках и какое дополнительное оборудование даст положительный эффект, а где будет убыток.
  2. Выбирает оптимальные точки продаж, исходя из заданного аплифта по различным категориям продукции.
  3. Помогает в планировании на разных горизонтах. Модель определяет, какие инвестиции понадобятся для достижения поставленных целей.

Как разработать ML-модель? Понятно, что «каменный цветок» не выйдет на основе информации из пяти магазинов, поэтому нужно аккумулировать геоданные, базы по торговым точкам и продажам за несколько лет. Непосредственно обучение производится с помощью любой популярной ML-системы, которая умеет работать с данными разной природы. В ней прописываются детали моделирования: прогнозы, цели, выборка, временные интервалы.

Полученный ИТ-продукт сможет решить главные проблемы, с которыми сталкивается бизнес при инвестировании в комплектацию магазинов: некорректно выбранные торговые точки и неэффективное использование ресурсов.

Также решается вопрос краж. Практика показывает, что оборудование не пропадает из магазинов, в которых оно генерирует выручку.

Больше кейсов, трендов рынка в нашем телеграм-канале Дистрибуция Шредингера.

Начать дискуссию