Optymalizacja preorderu:
Zamawianie z danymi zamiast intuicji
Jak model dwuetapowy (LightGBM + LSTM), korzystając z sygnałów trendów, zamówień targowych i danych pogodowych, poprawia dokładność preorderu o 42% - a po 2 tygodniach sezonu zmniejsza błąd prognozy o około 40%.
Ten moduł jest częścią sześcioczęściowego wyliczenia modelowego o fikcyjnej, średniej wielkości firmie modowej (1 800 SKU, 18 rynków). Wszystkie liczby, zbiory danych, metryki modeli i kwoty w euro są całkowicie fikcyjne - ilustrują metodykę i rodzaj osiągalnego efektu. Nie są to wyniki realnych klientów ani obietnica rezultatów. To, jakie wartości są osiągalne na Państwa realnych danych, pokazuje dopiero projekt pilotażowy.
01 Problem - zamówienia w ciemno, 6 miesięcy przed dostawą
Dlaczego 35% jeansów ląduje w końcu w wyprzedaży
Firma modowa z 1800 SKU (jeansy, koszulki, koszule, bluzy) musi złożyć preorder u dostawców 6-8 miesięcy przed dostawą. W tym momencie nie istnieją dane pogodowe ani wskaźniki sprzedaży na nadchodzący sezon - tylko próbki, intuicja kupców i porównania z poprzednim rokiem.
Wynik: 35% towaru trafia na koniec sezonu po cenach wyprzedażowych (średni rabat: 42%). Jednocześnie wskaźnik stockoutu wynosi 8% (opublikowane: ~8% utraty przychodu przez out-of-stock, IHL) - a ponowna produkcja przy lead-time 8-12 tygodni nie wchodzi w grę. Między overstockiem a stockoutem leży sweet spot, który mogą trafić tylko dane.
02 Podstawa danych - 4 sezony, 1800 SKU, 18 rynków
Co Państwa system magazynowy już wie o Państwa klientach
Dział zakupów musi zamówić towar letni w styczniu z dostawą w sierpniu - nie wiedząc, czy lato będzie ciepłe, czy jeansy wide-leg będą dalej modne, czy trend z TikToka w marcu nie wywróci wszystkiego. Klasyczny preorder opiera się na poprzednim roku ±10%, uzupełnionym opinią kupców. To już nie wystarcza.
03 Analiza eksploracyjna - gdzie preorder chybia
Wzorce, które Państwa dział zakupów zna - ale nie potrafi skwantyfikować
Jeansy wide-leg mają odchylenie preorderu na poziomie 48% - prawie co druga sztuka planowana błędnie. Powód: artykuły trendowe nie mają stabilnej bazy z poprzedniego roku. Podstawowe koszulki odchylają się tylko o 12% - tutaj logika poprzedniego roku działa. Model musi pracować więc kategorio-specyficznie, nie z jednolitą metodą.
04 Feature engineering - co poprawia preorder
Zewnętrzne sygnały, które istnieją już 6 miesięcy przed startem sezonu
Sęk w tym, że model działa w dwóch etapach. Etap 1 (preorder, 6 miesięcy wcześniej) korzysta z 12 długoterminowych sygnałów. Etap 2 (korekta in-season, od tygodnia 2) koryguje preorder na podstawie pierwszych realnych danych sprzedaży - i rekomenduje redystrybucje między rynkami, błyskawiczne dodruki lub wczesne markdowny.
05 Model - dwuetapowa prognoza popytu
Rekomendacja preorderu + korekta in-season w jednym systemie
Sam preorder (Etap 1) jest już o 42% dokładniejszy niż obecna metoda zakupów. Ale prawdziwa dźwignia leży w Etapie 2: po zaledwie 2 tygodniach danych sprzedaży LSTM koryguje prognozę do 11,2% WAPE - umożliwiając terminowe redystrybucje. Bestseller w Monachium, który słabo idzie w Hamburgu? System wykrywa to w tygodniu 2 i przesuwa 200 sztuk. Rzeczywista poprawa zależy od jakości danych i tempa adopcji w dziale zakupów. Założenie wyliczenia modelowego: wyniki pierwszego roku plasują się zazwyczaj w dolnej części przedziału - z rosnącym efektem w kolejnych latach dzięki lepszej bazie danych i dostrajaniu modelu. Baseline 31,8% i wartość in-season to założenia wyliczenia modelowego; względna poprawa mieści się w opublikowanym paśmie 20-50% (McKinsey).
06 Wpływ biznesowy - rachunek preorderu
Co lepsze preordery oznaczają w euro
| Kategoria | Sztuk/rok | Overstock obecnie | Overstock z modelem | Oszczędność | Dźwignia |
|---|---|---|---|---|---|
| Jeansy wide leg (trend) | 320 000 | 48% | 38% | €0,95M | Sygnały trendów z social mediów |
| T-shirty graphic | 256 000 | 42% | 33% | €0,60M | Pinterest save rate |
| Bluzy (hoodie) | 384 000 | 31% | 24% | €0,55M | Długoterminowa prognoza pogody |
| Jeansy slim fit (NOS) | 704 000 | 18% | 14% | €0,90M | Stabilność carry-over |
| T-shirty basic (NOS) | 576 000 | 12% | 9% | €0,45M | Redystrybucja in-season |
Top 5 kategorii = €3,45M z €3,84M; reszta rozkłada się na pozostałe kategorie. Oszczędność każdej kategorii zawiera udział overstocku i stockoutu.
Pokazany wynik €3,84M to wyliczenie modelowe: 224 000 unikniętych sztuk z przecen × €12 netto + 96 000 odzyskanych sztuk ze stockoutu × €48 marży pokrycia × 25%. Założenie: w pierwszym roku osiągalna jest zazwyczaj około połowa potencjału, z rosnącym efektem w kolejnych latach. Największa dźwignia leży w kategoriach trendowych (wide leg, graphic tees): tam dokładność planowania jest dziś najgorsza, a sygnały zewnętrzne dają największą wartość dodaną.
07 Kolejne kroki dla Państwa marki
Od analizy do wdrożenia
Przepuszczenie Państwa ostatnich 4 sezonów przez model. Czy model trafiłby lepiej w preorder? Backtesting z rzeczywistymi liczbami.
Następny sezon: preorder dla 100 fokusowych SKU z rekomendacją modelu vs. 100 SKU bez. Porównanie A/B po zakończeniu sezonu.
Od tygodnia 2: bieżące porównanie preorderu z rzeczywistą sprzedażą. Automatyczne rekomendacje redystrybucji, błyskawicznych dodrukow i wczesnych markdownów.