Ile dni danych sprzedaży SKU potrzebuje hurtownia magnesów dla DeepAR?
Najbezpieczniej przyjąć co najmniej 90 dni danych dziennych na SKU, a najlepiej pełny rok.
DeepAR uczy się wzorców popytu z wielu serii jednocześnie, ale pojedyncze SKU wciąż potrzebuje minimalnej historii. Około trzech miesięcy pozwala uchwycić rytm tygodnia i podstawowe zmiany. Pełny rok pokazuje cykle roczne i święta. Przy stabilnych, często rotujących SKU wystarczy kilka miesięcy. Przy zmiennym popycie lub silnej sezonowości lepsze są dłuższe szeregi. Jako hurtownia magnesów warto więc planować gromadzenie danych od startu sprzedaży.
Czy krótkie serie danych wystarczą dla SKU o niskiej sprzedaży?
Często tak, jeśli model ma dobre dane o innych SKU oraz cechy opisowe produktu.
W produktach o sporadycznej sprzedaży pojawia się dużo zer. DeepAR radzi sobie, gdy uczy się na całym katalogu i widzi podobne produkty. Warto dodać cechy stałe, na przykład kategoria, materiał, rozmiar, sposób montażu. Pomocne są też cechy czasowe i sygnały popytu, jak promocje czy dostępność. Należy odróżnić brak popytu od braku stanów magazynowych. Krótkie serie będą mniej precyzyjne na poziomie SKU, ale poprawią się dzięki wiedzy przenoszonej z podobnych pozycji.
Jak sezonowość magnesów zmienia wymagania dotyczące długości danych?
Im silniejsza sezonowość, tym dłuższa potrzebna historia, zwykle co najmniej pełny rok.
Magnesy do tablic mogą mieć skoki przed rokiem szkolnym. Upominki i akcesoria rosną w końcówce roku. B2B bywa cykliczne miesięcznie lub kwartalnie. Jeśli w danych widać tylko rytm tygodnia, wystarczy kilka miesięcy. Gdy występują wzorce roczne, najlepszy jest pełny rok lub dłużej. W hurtowni magnesów warto utrzymywać długą historię przynajmniej dla kluczowych kategorii, aby model rozpoznał powtarzalne piki i dołki.
Ile danych historycznych potrzebuje DeepAR dla nowych SKU?
Nowe SKU można prognozować od startu, jeśli mają opis i istnieją podobne serie w katalogu.
DeepAR jako model globalny wykorzysta doświadczenie z innych SKU, gdy podamy cechy stałe nowego produktu. Przykłady to kategoria, materiał, rozmiar, przeznaczenie, kanał sprzedaży. Na początku prognozy będą ogólniejsze i szybko się dopasują po kilku tygodniach sprzedaży. Warto też mapować nowe SKU do istniejących rodzin produktów, aby zwiększyć transfer wiedzy. Regularne dosycanie modelu nowymi danymi skraca okres adaptacji.
Czy agregacja SKU po kategoriach skróci wymagany okres danych?
Tak, agregacja pomaga uzyskać stabilny sygnał przy krótszej historii, kosztem szczegółu na poziomie SKU.
Sumowanie sprzedaży w ramach kategorii, linii produktowej lub materiału zmniejsza szum i problem zer. Daje to lepsze prognozy dla planowania zaopatrzenia. Można trenować model na danych zagregowanych i równolegle na poziomie SKU. W prognozowaniu operacyjnym przydaje się też podejście wieloskalowe. Wyniki dla kategorii stabilizują plan, a podział na SKU dostarcza szczegółów. To praktyczne w hurtowni magnesów, gdzie rotacja bywa nierówna.
Jakie cechy danych (cena, promocje) poprawiają prognozy DeepAR?
Największy zysk dają cena, flagi promocji i niedostępności, kalendarz oraz cechy produktu.
Warto dodać:
cenę katalogową i cenę transakcyjną,
flagę promocji i jej typ,
informację o braku stanów magazynowych i datach replenishmentu,
święta, długie weekendy, sezony szkolne i urlopowe,
kanał sprzedaży oraz region,
cechy stałe SKU, na przykład kategoria, materiał, rozmiar, wariant opakowania,
informacje o minimalnej partii, pakietach, zwrotach,
opóźnienia dostaw i zmiany terminów.
Takie cechy wyjaśniają skoki i spadki, dzięki czemu prognozy są bardziej stabilne.
Jak przygotować dane sprzedażowe hurtowni magnesów przed szkoleniem modelu?
Ustal częstotliwość dzienną i zbuduj czyste szeregi czasowe z pełnym kalendarzem.
Dobre przygotowanie to połowa sukcesu. Przekształć transakcje w dzienną sprzedaż jednostek na SKU. Uzupełnij dni bez sprzedaży zerami. Oddziel zwroty i anulacje od popytu. Oznacz dni bez dostępności, aby model nie mylił braku stanu z brakiem popytu. Usuń duże jednorazowe anomalie lub oznacz je flagą. Ujednolić strefę czasową i zakres dat. Zadbaj o stabilne identyfikatory SKU i mapowanie do kategorii. Przygotuj zbiór uczący, walidacyjny i testowy z podziałem w czasie. Dodaj cechy kalendarzowe i informacje o cenach oraz promocjach.
Jak często należy ponownie trenować DeepAR przy zmieniającym się popycie?
Regularnie w cyklu miesięcznym, a w sezonach lub przy zmianach szybciej.
Popyt w handlu bywa dynamiczny. Cotygodniowe odświeżanie danych do prognozowania bieżącego i comiesięczny retraining to rozsądny start. W okresach szczytu lub po zmianach cennika, katalogu albo lead time warto trenować częściej. Dobrym wyzwalaczem są nagłe pogorszenia jakości prognoz lub wejście wielu nowych SKU. Dla hurtowni magnesów sprawdza się hybryda: stały harmonogram i retraining po zdarzeniu.
Chcesz poprawić prognozy sprzedaży w hurtowni magnesów? Sprawdź, które cechy (cena, promocje, flagi dostępności) oraz jaka długość historii (min. 90 dni, najlepiej pełny rok) dają największą poprawę wyników DeepAR: https://topmagnesy.com/.
