Vraagvoorspelling: Machine learning gebruiken om detailhandelverkopen te voorspellen

Retailers kunnen enorme winstmarges realiseren door bestellingen en voorraden effectief te beheren. Maar omdat hiervoor data verwerkt moet worden voor een enorm aantal stock keeping units (SKU's), waaronder vaak bederfelijke goederen en artikelen die dagelijks besteld worden, is dit ook een grote uitdaging.

Retailers vertrouwden vroeger alleen op de data van voorgaande jaren om toekomstige verkopen te voorspellen (en dus hun voorraad te beheren), maar deze methode is slechts tot op zekere hoogte bruikbaar. Machine learning is nu echter zo ver geëvolueerd dat het nauwkeurige voorspellende modellen kan leveren door gebruik te maken van verschillende signalen op basis van hoe ze aankopen beïnvloeden.

Verkopen voorspellen is complex omdat aankopen in een bepaalde periode door veel factoren worden beïnvloed: het weer, winkeltrends, regelgeving, nieuwe producten, koopgedrag, een pandemie... En voorspellingen op basis van eerder geregistreerde data houden geen rekening met specifieke gebeurtenissen, waardoor de maandelijkse verkoop gelijkmatig verdeeld lijkt terwijl dat waarschijnlijk niet het geval is.

Een artikel dat vaak niet op voorraad is, kan bijvoorbeeld een vertraging in de verkoop van dat specifieke product of die categorie veroorzaken, maar dat is niet te zien in de maandelijkse reports. Erger nog, slechte cijfers worden vaak gezien als een teken van desinteresse van kopers, terwijl het tegenovergestelde waar is; de overaankoop van een artikel door consumenten heeft ervoor gezorgd dat het uitverkocht is.

Of een product dat in de winkel ontbreekt, is misschien wel op voorraad, maar ligt nog niet in de schappen. Grote winkelketens hebben vaak moeite om hun voorraden in realtime aan te vullen, dus een direct populair artikel kan heel snel uit de schappen verdwijnen en dus minder goed presteren dan verwacht, ondanks dat het in voorraad is. Dit vraagt om technologie die retailers kan helpen om vraag en aanbod naadloos op elkaar af te stemmen.

Machine learning en meerdere signalen gebruiken om voorraadniveaus te beoordelen

Machine learning biedt een oplossing voor deze uitdagingen. Voorspellende modellen kunnen de verkoop maanden van tevoren voorspellen door gebruik te maken van een aantal signalen die de verkoop beïnvloeden (seizoensgebondenheid, consumptietrends, prijsniveaus, etc.). Om zo nauwkeurig mogelijk te zijn, is het belangrijk dat de modellen meer indicatoren gebruiken dan de standaarddag, het standaardproduct en de standaardwinkel die men gewoonlijk meeneemt.

Ter illustratie: een detailhandelaar zou de seizoensgebondenheid kunnen analyseren om de verkoop voor de komende periode te voorspellen. De data zal echter scheef zijn omdat het gebruik van datums niet 100% nauwkeurig is; een bepaalde datum kan het ene jaar een doordeweekse dag zijn, maar het volgende jaar het weekend, waardoor de verkoop sterk kan variëren. Andere factoren, zoals of die datum op een feestdag (Kerstmis, Pasen, enz.) of een belangrijk sportevenement valt, hebben ook invloed op het koopgedrag van de consument.

Het is een vergelijkbaar verhaal met signalen op prijsniveau. Promoties op winkelniveau kunnen de verkoop van een product uit een bepaalde categorie aanzienlijk beïnvloeden of zelfs de winkel als geheel aantrekkelijker maken.

Beide voorbeelden illustreren waarom het nodig is om rekening te houden met veel verschillende signalen en indicatoren om nauwkeurig verkoopvoorspellingen te doen: een taak die lastig was voordat machine learning en geavanceerde artificial intelligence-modellen het haalbaar maakten.

De technologie is er, maar om deze effectief te kunnen gebruiken en nauwkeurige voorspellingen te kunnen doen, moeten retailers enorme hoeveelheden data verzamelen en analyseren. Veel hiervan bevindt zich in verschillende data bronnen en het kan ingewikkeld zijn om te proberen meerdere Excel- en PDF-bestanden te verwerken die eerdere reports en mediaplannen bevatten. Er zijn grote data tools nodig om deze informatie te verwerken tot het schone en leesbare formaat dat nodig is om voorspellende modellen te maken die inventarisatieproblemen kunnen voorkomen.

Verkopen data uit het verleden voor een bepaalde winkel kunnen ‘onnauwkeurig’ zijn door eenmalige gebeurtenissen (promoties, slecht weer, verkeersopstoppingen, etc.). Om deze vertekening te verwijderen, combineren voorspellende modellen de verkoopcijfers uit het verleden met die van vergelijkbare winkels.

De andere grote uitdaging is voorkomen dat artikelen niet beschikbaar zijn in de schappen terwijl ze wel op voorraad zijn (omdat het voor werknemers bijna onmogelijk is om de schappen in realtime te bewaken en onmiddellijk bij te vullen).

Er bestaan technologische oplossingen met bewakingscamera's en gewichtssensoren, maar die vergen een enorme investering. Direct beschikbare informatie, zoals realtime verkopen op SKU-niveau, kan echter worden gebruikt om ‘lege schappen’ op te sporen. Modellen kunnen de gebruikelijke verkoopstroom van een artikel analyseren, zodat de normale tijd tussen twee verkopen van een product in een bepaalde winkel bekend is. Menselijke tussenkomst kan worden gebruikt om statistische afwijkingen te bekijken en op te lossen.

Voorspellende analyse is slechts een van de vele manieren waarop traditionele retailers kunnen profiteren van machine learning. Ze hebben veel te winnen door te vertrouwen op geavanceerde technologie voor een beter voorraadbeheer om de winkelinkomsten te verhogen. Het verwerken van enorme hoeveelheden data kan hen ook helpen om het assortiment te optimaliseren, aantrekkelijkere en winstgevendere promoties aan te bieden en de prijzen efficiënter vast te stellen.

Goed ontwikkelde tools kunnen complexe en tijdrovende taken uitvoeren en snel nauwkeurige reports leveren. Dit is de echte hefboom voor waardecreatie van artificial intelligence in de detailhandel: managers bevrijden van vervelende vergelijkende analyses met meerdere bronnen en hen in staat stellen om zich te concentreren op de voortdurende verbetering van de klantervaring.

Pascal Coggia is CEO van Artefact UK, waar hij verantwoordelijk is voor de uitbreiding van de artificial intelligence (AI) en data-driven producten en diensten van het bedrijf in de regio. Als medeoprichter van Artefact was hij voorheen werkzaam op het hoofdkantoor in Parijs. In die tijd lanceerde hij de activiteiten van Artefact in Dubai. Eerder werkte hij onder andere als consultant bij Columbus Consulting Shift in Frankrijk en Rocket Internet SE in het Verenigd Koninkrijk. Hij heeft een masterdiploma van de HEC Business School in Parijs.

Jérôme Petit is data consulting partner bij Artefact, waar hij werkt aan data en artificial intelligence (AI) projecten met grote Franse bedrijven in de sectoren retail, consumentengoederen en beleggingsfondsen. Eerder gaf hij leiding aan de strategieteams van Franse mediagroepen (Canal + en Lagardère Active) na vijftien jaar bij toonaangevende strategieadviesbureaus (OC&C, Diligence Partners en Roland Berger). Hij is afgestudeerd aan de Franse École Polytechnique.