De uitdaging van de promotionele forecast
Bij het maken van de promotionele forecast gebruiken de meeste retailers modellen, al dan niet in excel, geënt op historische data. Op basis van promoties en verkoopaantallen van voorgaande jaren, of zelfs op basis van onderbuikgevoel, wordt de extra vraag en afzet voorspeld. Maar we zien bij veel retailers dat deze voorspellingen er nogal eens naast zitten. En verkeerde inschattingen van aantallen en winkels maken promoties extra duur. Je hebt immers te maken met gemiste omzet, door lege schappen, of juist met kostbare retouren en mogelijk met beschadigde of incourante artikelen doordat ze meerdere keren in en uit de schappen zijn gehaald.
De belangrijkste hamvraag voor de meeste retailers is dan ook: hoe bepalen we zo nauwkeurig mogelijk de extra afzet tijdens de promotieperiode, wanneer het artikel op deze plek in die grootte in de folder staat, dat actiemechanisme heeft, dat lettergrootte voor de aanbiedingsprijs wordt gebruikt etc etc.
Wat ons betreft is het antwoord te vinden in de toepassing van Artificial Intelligence met behulp van big data en het slim combineren van data waarover we samen met onze klanten en onze partners Slimstock en Flowfabric kunnen beschikken.
Een machine learning model om promotionele forecasting te optimaliseren
Bij het ontwikkelen van het algoritme zijn we uitgegaan van kassadata of, als dat niet beschikbaar was, afzetdata vanuit Slimstock: welke artikelen zijn er in welke aantallen in een bepaalde periode in welke winkels verkocht; tijdens promoties en daarbuiten. Plus, we hebben aan de database folderhistorie toegevoegd uit FlowFabric: op welke pagina en op welke plek stond het product?
Op deze data hebben we een machine learning algoritme ontwikkeld, dat dus als het goed is steeds slimmer wordt, waarmee de uiteindelijke extra (of misschien wel minder…) promotionele verkopen steeds nauwkeuriger wordt voorspeld. Met als resultaat een optimale vulgraad in de winkels en minder rompslomp in de vorm van verlies en retouren aan de achterkant.
Meer waarde halen uit data
Ons uiteindelijk doel is om de machine learning tool voorstellend te laten zijn op het gebied van promoties. Hoe mooi is het als er een voorstel wordt gedaan welke artikelen beter wel en welke beter niet in de folder opgenomen kunnen worden? Waarbij je ook kan denken aan het toevoegen van meer externe data, zoals events, weersomstandigheden etc. Natuurlijk kan je promotiemanager zelf ook bedenken dat het met een hittegolf in aantocht verstandig kan zijn de waterijsjes in de aanbieding te doen. Maar juist het bepalen van hoeveel dozen dan en waar, dat is iets dat een algoritme veel beter kan.
Deze forecasting tool is een goed voorbeeld van hoe je waarde kunt halen uit data die je al tot je beschikking hebt. Nieuwsgierig hoe jij je promotionele forecasting kunt verbeteren? Neem gerust contact met me op.
Login om te reageren op dit artikel