เพิ่มประสิทธิภาพรายรับของผู้ค้าปลีกด้วย AI พยากรณ์การขาย

การพยากรณ์เป็นเทคนิคที่ใช้ข้อมูลและเหตุการณ์ในอดีตเพื่อสร้างการประมาณการเกี่ยวกับแนวโน้มในอนาคต ภัยพิบัติที่อาจเกิดขึ้น และพฤติกรรมโดยรวมของเรื่องใดๆ การคาดการณ์สามารถใช้เป็นการสนับสนุนความน่าจะเป็นสำหรับการวิเคราะห์การตัดสินใจ เพื่อประเมินค่าใช้จ่าย รายได้ และแผนงบประมาณ

การพยากรณ์ในธุรกิจสามารถแบ่งออกเป็นสองประเภทที่แตกต่างกัน: การพยากรณ์เชิงคุณภาพ และ การพยากรณ์เชิงปริมาณ

• การพยากรณ์เชิงคุณภาพ การพยากรณ์เชิงคุณภาพเกี่ยวข้องกับการวิจัยตลาดและกลยุทธ์ทางการตลาด ดังนั้นจึงได้รับการขับเคลื่อนโดยผู้เชี่ยวชาญและได้รับอิทธิพลจากปัจจัยมนุษย์ มักมุ่งเป้าไปที่การสร้างกลยุทธ์ระยะสั้น
• การพยากรณ์เชิงปริมาณ การพยากรณ์เชิงปริมาณไม่รวมปัจจัยมนุษย์ใดๆ ขึ้นอยู่กับข้อมูลในอดีตที่เอนทิตีมีเท่านั้น และมีเป้าหมายที่จะคาดการณ์ว่าปัจจัยบางอย่าง เช่น ยอดขาย ราคา และด้านการเงินอื่นๆ จะเป็นอย่างไรในระยะยาว

สำหรับข้อมูลเพิ่มเติม คุณสามารถดูไพรเมอร์การคาดการณ์ทางการเงินของ Investopedia

การคาดการณ์ทั้งสองประเภทได้แสดงสัญญาจำนวนมากและจัดการเพื่อสร้างการปรับปรุงธุรกิจสำหรับหลายหน่วยงาน

หากคุณต้องการเรียนรู้เพิ่มเติมว่าการคาดการณ์ส่งผลต่อการตัดสินใจของตลาดอย่างไร จุดเริ่มต้นที่ดีคือ ตลาดการทำนาย: พื้นฐาน การออกแบบ และการใช้งาน โดย Stefan Luckner et al

ปัญหาหนึ่งที่เราจัดการได้โดยใช้การคาดการณ์เชิงปริมาณคือการคาดการณ์ความต้องการหรือการคาดการณ์ยอดขาย

การคาดการณ์อุปสงค์และแนวทางพยากรณ์การขาย

สมมติว่าคุณเป็นผู้ค้าปลีกที่ดำเนินการร้านค้าจำนวนมาก และแต่ละร้านมีระบบการเติมสต็อคสินค้าแบบคงที่ตามการตัดสินใจของมนุษย์ที่อิงตามเหตุการณ์บางอย่าง เช่น ฤดูกาลและแนวโน้มของตลาด

ในบางครั้ง คุณจะประสบปัญหาเหล่านี้ที่อาจนำไปสู่ปัญหาหลักสองประการ:

• สินค้าเกินสต๊อก. มีสต็อคสินค้าจำนวนมากที่วางแผนจะขายในช่วงเวลาหนึ่งแต่ไม่ได้ขาย
• สินค้าหมดสต๊อก. มีโอกาสขายสินค้าแต่ทำไม่ได้เพราะไม่มีสินค้า

จากการสำรวจของ IHL Group จาก 600 ครัวเรือนและผู้ค้าปลีก ผู้ค้าปลีกสูญเสียยอดขายเกือบ 1 ล้านล้านดอลลาร์ต่อปีเนื่องจากปัญหาสินค้าหมดสต็อก

“นักช้อปพบกับสินค้าหมดในทริปช็อปปิ้งมากถึงหนึ่งในสามตามรายงาน ซึ่งส่งไปยัง Retail Dive ทางอีเมล ที่ร้านค้าปลีกอาหาร ยา และมวลชน พวกเขาพบสินค้าที่หมดสต็อกใน 1 ใน 5 ทริป ที่ห้างสรรพสินค้าและร้านค้าปลีกเฉพาะทาง มี 1 ใน 4 และที่ร้านขายอุปกรณ์อิเล็กทรอนิกส์ 1 ใน 3” IHL Group กล่าว

อย่างที่ปรากฏ ปัญหาทั้งสองนี้ทำให้รายได้ลดลงเนื่องจากเราสูญเสียโอกาสในการขายหรือเราลงทุนเงินมากขึ้นในผลิตภัณฑ์ที่ยังไม่ได้ขาย ซึ่งหมายความว่ามีสินทรัพย์ที่จะไม่สร้างรายได้ในเร็วๆ นี้เพื่อชดเชยค่าใช้จ่าย

สิ่งนี้ส่งผลเสียต่อกระแสเงินสดของกิจการอย่างชัดเจน และเพื่อจัดการกับความเสี่ยงนี้ เราต้องการสองสิ่ง:

• ข้อมูลอื่นๆ เพิ่มเติมที่จะช่วยให้เราตัดสินใจได้
• ทีมพยากรณ์ที่สามารถวางแผนกลยุทธ์ระยะยาวสำหรับระบบเติมสต็อก

คำถามคือ อะไรคือข้อบ่งชี้ที่คุณต้องนำ AI มาใช้ในบริษัทเพื่อช่วยในกระบวนการคาดการณ์ของคุณ?

ในการตัดสินใจ คุณต้องมีคำตอบจากผู้เชี่ยวชาญสำหรับคำถามต่อไปนี้:

• การคาดการณ์ไปป์ไลน์การขายของคุณยากไหม
• การคาดการณ์ยอดขายของคุณไม่ถูกต้องหรือไม่ถูกต้องเพียงพอ (แม้ว่าคุณจะมีข้อมูลในอดีต) หรือไม่
• คุณประสบปัญหาสินค้าหมดหรือเกินสต็อกหรือไม่?
• คุณไม่สามารถดึงข้อมูลเชิงลึกเชิงพรรณนาและเชิงอนุมานจากข้อมูลที่คุณมีเพื่อขับเคลื่อนการตัดสินใจและการวางแผนของคุณหรือไม่?

คำตอบสำหรับคำถามเหล่านี้ควรเป็นสัญญาณที่ชัดเจนซึ่งช่วยให้คุณตัดสินใจว่าจะเริ่มใช้ AI ในกลยุทธ์การคาดการณ์ของคุณหรือไม่

AI มีประโยชน์ต่อกระบวนการพยากรณ์การขายอย่างไร?

AI ได้แสดงผลลัพธ์ที่ยอดเยี่ยมในการดำเนินการเหนือกว่าการคาดการณ์ของมนุษย์ในหลายบริษัท ทำให้สามารถตัดสินใจและวางแผนได้รวดเร็วยิ่งขึ้น ตลอดจนกลยุทธ์การจัดการความเสี่ยงที่น่าเชื่อถือยิ่งขึ้น นี่คือเหตุผลที่บริษัทชั้นนำนำ AI มาใช้ในการวางแผน

เมื่อต้องรับมือกับปัญหาการคาดการณ์อุปสงค์ สามารถใช้วิธีการพยากรณ์อนุกรมเวลาเพื่อคาดการณ์ยอดขายสำหรับแต่ละผลิตภัณฑ์ ซึ่งช่วยให้บริษัทต่างๆ สามารถเพิ่มประสิทธิภาพการเติมสต็อกและลดการเกิดปัญหาดังกล่าวได้ อย่างไรก็ตาม โมเดลจำนวนมากมีปัญหากับการคาดการณ์ในระดับผลิตภัณฑ์แต่ละรายการ หรือระดับหมวดหมู่ผลิตภัณฑ์ เนื่องจากขาดคุณสมบัติที่จำเป็น ดังนั้น คำถามคือ เราจะทำให้มันทำงานและใช้ประโยชน์จากข้อมูลของเราให้เกิดประโยชน์สูงสุดได้อย่างไร

สำหรับผู้ค้าปลีกในชีวิตจริง ปัญหาเหล่านี้เป็นเพียงเรื่องเล็กน้อยเท่านั้น คุณมีผลิตภัณฑ์มากกว่า 1,000 รายการที่แนะนำความไม่เป็นเชิงเส้นจำนวนมากในชุดข้อมูลและการพึ่งพาหลายตัวแปร หรือคุณจำเป็นต้องได้รับคำเตือนเกี่ยวกับจำนวนการเติมสต็อกที่คาดการณ์ไว้พร้อมการแจ้งล่วงหน้าเป็นจำนวนมากจึงจะสามารถผลิตหรือซื้อได้ หรือ ทำทุกอย่างที่คุณต้องการเพื่อให้ได้มาตามเวลาที่ต้องการ

ในกรณีนี้ โมเดลคลาสสิกอย่าง ARIMA และ ETS จะไม่ทำงาน และเราจะต้องมีวิธีการที่มีประสิทธิภาพมากขึ้น เช่น RNN และ XGBoost และนี่คือเหตุผลที่เราจำเป็นต้องมีการสร้างฟีเจอร์จำนวนมากเพื่อจัดการกับปัญหานี้

เพื่อให้สิ่งนี้ใช้งานได้ เราต้อง:

• รับคุณสมบัติอินพุตที่จำเป็นเพื่ออธิบายความหลากหลายและความหลากหลายของผลิตภัณฑ์
• จัดหมวดหมู่ข้อมูลของเรา ดังนั้นแต่ละหมวดหมู่จึงมีพฤติกรรมอนุกรมเวลาเดียวกัน และแต่ละหมวดหมู่จะได้รับการแก้ไขโดยใช้โมเดลแบบสแตนด์อโลน
• ฝึกโมเดลของเราเกี่ยวกับคุณสมบัติอินพุตที่จัดหมวดหมู่ที่ได้รับ

เพื่อประโยชน์ของบทความนี้ เราจะใช้ XGBoost เป็นตัวอย่างของโมเดลดังกล่าว

คุณลักษณะที่จำเป็นในแบบจำลองการคาดการณ์การขาย

ชุดคุณสมบัติที่จำเป็นสำหรับปัญหานี้แบ่งออกเป็นสี่กลุ่มหลัก:

• คุณสมบัติที่เกี่ยวข้องกับเวลา
• คุณสมบัติที่เกี่ยวข้องกับการขาย
• คุณสมบัติที่เกี่ยวข้องกับราคา
• คุณสมบัติที่เกี่ยวข้องกับสต็อก

คุณสมบัติที่เกี่ยวข้องกับเวลา

ไม่เหมือนกับการเรียนรู้เชิงลึก (Recurrent Neural Network) โมเดลการเรียนรู้ของเครื่องไม่สามารถรับการพึ่งพาระยะยาวหรือระยะสั้นภายในอนุกรมเวลาโดยไม่ต้องสร้างเลเยอร์การ แยก คุณสมบัติด้วยตนเองสำหรับคุณสมบัติวันที่และเวลา

คุณลักษณะหลายอย่างสามารถดึงออกมาจากวันที่ เช่น:

• ปี
• วัน
• ชั่วโมง
• วันหยุดสุดสัปดาห์หรือวันธรรมดา (ไม่ว่าจะเป็นวันธรรมดาหรือวันหยุดสุดสัปดาห์)
• วันในสัปดาห์

หลายวิธีเพียงแค่ดึงคุณสมบัติเวลาเหล่านั้นและใช้เป็นอินพุตและฝึกโมเดล แต่สามารถทำวิศวกรรมเพิ่มเติมได้ ดังที่เราเห็น คุณลักษณะต่างๆ (วัน ชั่วโมง วันในสัปดาห์) เป็นช่วงๆ ซึ่งหมายความว่ามีช่วงของค่าที่ซ้ำกัน โมเดลสามารถจัดการกับสิ่งนี้ได้อย่างไร?

คำตอบสั้น ๆ คือ ทำไม่ได้ เพราะสิ่งที่นางแบบเห็นคือชั่วโมง 00:00 น. นั้นอยู่ห่างจาก 23:00 น. 23 ชั่วโมง แต่ในความเป็นจริง มันอยู่ห่างออกไปหนึ่งชั่วโมง วิธีหนึ่งในการแก้ปัญหานี้คือการแปลงคุณลักษณะเหล่านี้เป็นการแปลงแบบวนรอบ

ด้วยการใช้แนวคิดของไซน์และโคไซน์ หรือการแทนค่าเวกเตอร์ เราสามารถแปลงแต่ละชั่วโมง (24 ชั่วโมง) เป็นมุมได้ และการใช้บาปและโคไซน์ของพวกมันจะทำให้โมเดลตรวจจับสัดส่วนที่แท้จริงระหว่างชั่วโมงได้ง่ายขึ้นมาก ของงวด

การดำเนินการนี้จะลบความไม่ต่อเนื่องที่เกิดขึ้นในคุณลักษณะเวลาแบบเป็นงวด หรือคุณลักษณะตามระยะเวลาใดๆ

สำหรับบทความของเรา เราจะใช้ชุดข้อมูล Sample Superstore ที่เปิดเผยต่อสาธารณะ และพยายามคาดการณ์ยอดขายรายเดือนเป้าหมายสำหรับหมวดหมู่ผลิตภัณฑ์บางประเภท

นอกจากนี้ เราจะใช้สภาพแวดล้อม Python 3.7 กับไลบรารีต่อไปนี้:

• นำพาย
• แพนด้า
• XGBoost
• Sklearn

ตอนนี้ฉันจะแสดงวิธีสร้างฟังก์ชันการแปลงคุณลักษณะช่วงเวลาและทดสอบว่ามีประโยชน์หรือไม่

 def convert_periodic(val,period): theta = 2*np.pi*val/period sin_period = np.sin(theta) cos_period = np.cos(theta) return sin_period,cos_period def convert_month(x): return convert_periodic(x,12) df['sin_month'], df['cos_month'] = zip(*df['month'].map(convert_month))

ด้วยเหตุนี้เราจึงพร้อมที่จะทดสอบว่าคุณลักษณะที่เพิ่มเข้ามาจะปรับปรุงประสิทธิภาพหรือไม่

 X = df.drop(['Order Date','Sales','sin_month', 'cos_month'],axis = 1) y = np.log1p(df['Sales']) X_train,X_test,y_train,y_test = train_test_split(X,y,test_size = 0.2, shuffle=False)

ดังที่เราเห็น เราได้ทำการแปลงบันทึก 1p สำหรับคุณลักษณะการขายเป้าหมายของเราแล้ว เนื่องจากเป็นคุณลักษณะที่บิดเบี้ยว (ไม่ได้กระจายตามปกติ)

ตอนนี้ เราจะใส่ XGBoost regressor ลงในข้อมูล

 y_pred = model.predict(X_test) print(f'Loss without cyclic conversion on testing set is {sqrt(mean_squared_error(y_pred,y_test))}') Loss without cyclic conversion on testing set is 0.4313676193485837

ต่อไป เราจะลองใช้คุณลักษณะที่เราสร้างขึ้น

 X = df.drop(['Order Date','Sales'],axis = 1) y = np.log1p(df['Sales']) X_train,X_test,y_train,y_test = train_test_split(X,y,test_size = 0.2, shuffle=False) y_pred = model.predict(X_test) print(f'Loss with cyclic conversion on testing set is {sqrt(mean_squared_error(y_pred,y_test))}') Loss with cyclic conversion on testing set is 0.33868030449130826

อย่างที่เราเห็น การสูญเสียเพิ่มขึ้นจาก 0.43 RMSE เป็น 0.33 RMSE

คุณลักษณะอื่นๆ ที่เกี่ยวข้องกับเวลาที่คุณสามารถนึกถึงได้ ขึ้นอยู่กับปัญหาของคุณ ได้แก่:

• จำนวนเดือนที่สินค้าอยู่ในร้าน
• จำนวนวันนับตั้งแต่การขายครั้งล่าสุด

คุณสมบัติที่เกี่ยวข้องกับการขาย

นี่คือคุณสมบัติการป้อนข้อมูลหลักที่จำเป็นในการคาดการณ์ยอดขายของเรา ดังนั้นจะรับประโยชน์สูงสุดจากข้อมูลการขายได้อย่างไร เราสามารถบรรลุเป้าหมายนี้ได้โดยใช้แนวคิดเรื่องความล่าช้าและความสัมพันธ์อัตโนมัติ

คุณลักษณะความล่าช้าคือประวัติการขายของผลิตภัณฑ์ ตัวอย่างเช่น หากเราใช้คุณลักษณะ 12 ล่าช้าสำหรับยอดขายรายเดือนเป็นข้อมูลป้อนเข้าสู่โมเดลของเราเพื่อคาดการณ์ยอดขายในเดือนพฤษภาคม 2020 หมายความว่าเราจะจัดเตรียมบันทึกข้อมูลให้กับโมเดลระหว่างเดือนพฤษภาคม 2019 ถึงเมษายน 2020 สิ่งนี้มีประโยชน์จริงๆ

นอกจากนี้ยังสามารถตีความได้โดยใช้แผนภาพความสัมพันธ์อัตโนมัติเพื่อตรวจสอบว่าคุณลักษณะเป้าหมายมีความสัมพันธ์กันอย่างไรกับคุณลักษณะที่ล้าหลัง นอกจากนี้ยังช่วยในการเลือกเฉพาะคุณลักษณะที่สัมพันธ์กันระหว่างคุณลักษณะที่ล้าหลัง ดังนั้นเราจึงลดการใช้หน่วยความจำและความซ้ำซ้อนของคุณลักษณะ

นี่คือวิธีที่เราสามารถเพิ่มคุณสมบัติความล่าช้าในดาต้าเฟรมของเรา:

 for i in range(3): df[f'lag_{i+1}'] = df['Sales'].shift(i+1) df = df.dropna() df.head() 

ในที่นี้ ฉันเลือกค่าของคุณสมบัติสามหน่วงที่จะรวมไว้ในชุดการฝึกของเรา คุณลักษณะนี้เป็นไฮเปอร์พารามิเตอร์—คุณสามารถเลือกได้ตามพล็อตความสัมพันธ์อัตโนมัติหรือโดยลองใช้ค่าต่างๆ มากมาย แล้วเลือกสิ่งที่ดีที่สุดในขั้นตอนการปรับแต่ง

 X = df.drop(['Order Date','Sales'],axis = 1) y = np.log1p(df['Sales']) X_train,X_test,y_train,y_test = train_test_split(X,y,test_size = 0.2, shuffle=False) y_pred = model.predict(X_test) print(f'Loss with lag features on testing set is {sqrt(mean_squared_error(y_pred,y_test))}') Loss with lag and aggregated sales features on testing set is 0.2862175857169188

ตอนนี้ RMSE ได้ปรับปรุงเป็น 0.28 โดยใช้ทั้งคุณลักษณะล่าช้าและการแปลงแบบวนซ้ำ

คุณสามารถเพิ่มคุณสมบัติที่เกี่ยวข้องกับการขายเพิ่มเติม:

• เศษส่วนของรายการที่ขาย (เศษของรายการที่ขายในแง่ของยอดขายทั้งหมดในร้านค้า)
• ความถี่ของกิจกรรมการขายสำหรับหมวดหมู่ของสินค้า
• เสริมแนวคิดอาวุโส

ความ อาวุโส เป็นแนวคิดที่นำมาใช้เพื่อกำหนดระดับความอาวุโสให้กับสินค้าใหม่ในร้านค้า:

• Seniority 0: รายการใหม่สำหรับบริษัท
• รุ่นพี่ 1: รายการที่ไม่เคยขายในร้านนี้แต่ขายในร้านค้าอื่นของบริษัท
• รุ่นพี่ 2: สินค้าที่เคยขายในร้านนี้มาก่อน

คุณสมบัติที่เกี่ยวข้องกับราคา

ข้อโต้แย้งง่ายๆ คือสาเหตุโดยตรงประการหนึ่งที่ทำให้ยอดขายเพิ่มขึ้นและลดลงคือราคาและการส่งเสริมการขาย ราคาเป็นวิธีที่ดีที่สุดวิธีหนึ่งในการแยกแยะระหว่างหมวดหมู่ หมวดหมู่ย่อย และหมวดหมู่พิเศษของผลิตภัณฑ์

ตัวอย่างเช่น สมมติว่ามีการกำหนดหมวดหมู่และหมวดหมู่ย่อยให้กับแต่ละผลิตภัณฑ์ คุณสามารถสร้างคุณลักษณะราคาต่อไปนี้ได้:

• (ค่าเฉลี่ย สูงสุด ต่ำสุด ค่ามัธยฐาน) ตามหมวดหมู่
• (ค่าเฉลี่ย สูงสุด ต่ำสุด ค่ามัธยฐาน) ในหมวดหมู่ย่อย
• การเปรียบเทียบระหว่างสถิติเหล่านั้น เช่น ความแตกต่างระหว่างแต่ละสถิติทั้งหมวดและหมวดย่อย

การรวมนี้สามารถทำได้หลายครั้งโดยใช้การจัดกลุ่มหลายๆ กลุ่มตามหัวข้อ (สมมติว่าเราตั้งเป้าที่จะคาดการณ์ความต้องการรายเดือน) เช่น:

• รายเดือน, ร้านค้า, หมวดหมู่
• รายเดือน, ร้านค้า, หมวดหมู่ย่อย
• รายเดือน, ร้านค้า, รายการ, หมวดหมู่
• รายเดือน, ร้านค้า, รายการ, หมวดหมู่ย่อย

นอกจากนี้ยังสามารถเพิ่มคุณสมบัติเพิ่มเติมได้ ยกเว้นการจัดกลุ่ม รายเดือน เพื่อศึกษาพฤติกรรมของราคาโดยรวม

คุณสมบัติที่เกี่ยวข้องกับสต็อก

อันนี้ไม่ธรรมดาในหมู่ผู้ค้าปลีกและนักพยากรณ์การขาย แต่มันสร้างความแตกต่างอย่างมากในแบบจำลองการคาดการณ์การขาย ชุดข้อมูลสต็อคส่วนใหญ่จะมีข้อมูลสินค้าคงคลังของแต่ละผลิตภัณฑ์ในแต่ละวันในแต่ละร้านค้า จากนี้ เราสามารถรวมเข้ากับข้อมูลการขายเพื่อรับอัตราส่วนหมุนเวียนรายเดือนสำหรับแต่ละผลิตภัณฑ์ อัตราส่วนนี้จะบ่งบอกว่าสต็อกของผลิตภัณฑ์ขายได้เร็วเพียงใด และมีประโยชน์หลักสองประการ:

• สามารถช่วยโมเดลคาดการณ์ยอดขายตามระดับสินค้าคงคลังปัจจุบัน
• สามารถช่วยเราใช้ค่านี้เพื่อจัดกลุ่มผลิตภัณฑ์เป็นผลิตภัณฑ์ที่มีการเคลื่อนไหวช้า ปานกลาง และเคลื่อนไหวเร็ว การจัดกลุ่มนี้จะช่วยเราในการตัดสินใจและสร้างแบบจำลอง

สำหรับสิ่งนี้ คุณต้องใช้ข้อมูลสินค้าคงคลังรายวันสำหรับแต่ละผลิตภัณฑ์ พร้อมกับข้อมูลการขาย จากนั้นคุณสามารถคำนวณอัตราส่วนการหมุนเวียนสินค้าคงคลังได้ดังนี้:

คำแนะนำ: การรวมเหล่านี้ทำขึ้นตามช่วงเวลา ตัวอย่างเช่น หากเรากำลังคาดการณ์ยอดขายรายเดือน ITO จะถูกคำนวณเป็นยอดขายทั้งหมดในเดือนที่แล้วเทียบกับมูลค่าสินค้าคงคลังเฉลี่ยในเดือนเดียวกัน

การพยากรณ์การขายสามารถเปลี่ยนข้อมูลให้เป็นโอกาสได้

โดยสรุป การคาดการณ์ยอดขายสามารถช่วยให้บริษัทต่างๆ เพิ่มรายได้และทำกำไรได้ หากพวกเขามีไปป์ไลน์ข้อมูลที่ถูกต้องและใช้วิธีวิศวกรรมคุณลักษณะที่ถูกต้อง บทความนี้เป็นการทดลองเพื่อแสดงว่าข้อมูลทุกประเภทมีประโยชน์ในการแก้ปัญหานี้

ทุกบริษัทควรตรวจสอบว่า AI จำเป็นสำหรับปัญหาการคาดการณ์หรือไม่ และในกรณีที่จำเป็น จำเป็นต้องมีวิศวกร AI ผู้เชี่ยวชาญและคำแนะนำจากวิศวกรการเรียนรู้ของเครื่องเพื่อสร้างระบบพยากรณ์การขายของตนเอง

หากคุณเป็นบริษัท/ผู้ค้าปลีกที่ต้องการใช้เทคนิคการคาดการณ์ยอดขายนี้ ให้เริ่มด้วยการรวบรวมข้อมูลทั้งหมดที่ทำได้ โดยเฉพาะยอดขายรายวัน สินค้าคงคลังรายวัน และธุรกรรมรายวัน

เมื่อคุณมีข้อมูลนี้แล้ว คุณสามารถใช้เพื่อเพิ่มรายได้และเพิ่มประสิทธิภาพกลยุทธ์การเติมสต็อก ซึ่งช่วยให้ธุรกิจของคุณสร้างกำไรสูงสุดเท่าที่เป็นไปได้ด้วยทรัพยากรที่มีอยู่ ดังที่แสดงในตัวอย่างด้านบน ตลอดจนแนวทางปฏิบัติในการคาดการณ์ยอดขายที่ใช้โดยผู้ค้าปลีกชั้นนำ .

ข้อมูลอ้างอิง:

ชุดข้อมูล
อ่านเพิ่มเติมเกี่ยวกับการพยากรณ์ทางการเงิน