
Sáng thứ Hai, phụ trách ngành hàng sữa phải đặt lượng hàng cho chương trình cuối tuần. Bảng tính gợi ý lấy doanh số của bốn tuần trước. Nhưng hai tuần gần nhất cửa hàng hết hàng sớm, còn đợt khuyến mại sắp tới có mức giảm giá khác. LightGBM đáng thử khi có đủ lịch sử theo cửa hàng và mặt hàng, kèm thông tin giá, lịch bán và tình trạng tồn. Kết quả cần đánh giá bằng cả sai số dự báo lẫn tác động lên đặt hàng.
M5 cho thấy gì về học máy trong dự báo bán lẻ?
Makridakis, Spiliotis và Assimakopoulos (2022) phân tích cuộc thi M5 Accuracy, dùng dữ liệu bán hàng theo ngày của Walmart với 42.840 chuỗi ở nhiều mức tổng hợp. Nhiều phương pháp dẫn đầu sử dụng cây tăng cường, trong đó có LightGBM. Bộ dữ liệu cho phép kết hợp lịch sử bán với giá và biến lịch. Kết quả xếp hạng đo chất lượng dự báo trên dữ liệu cuộc thi. Nó chưa đo lợi nhuận hay chi phí tồn kho của một siêu thị khác. Nghiên cứu gốc, International Journal of Forecasting
Dữ liệu đi từ hệ thống bán hàng đến đề xuất đặt hàng ra sao?
Trong ví dụ minh họa, nhóm dữ liệu ghép doanh số ngày, giá, lịch khuyến mại đã chốt và trạng thái còn hàng theo cửa hàng và mã sản phẩm. LightGBM là mô hình tập hợp nhiều cây quyết định, dùng các quan hệ học được để dự báo lượng bán. Ngày bán thấp vì hết hàng được đánh dấu và xử lý riêng, vì lượng bán quan sát được có thể thấp hơn nhu cầu thật. Giá hoặc khuyến mại chỉ được đưa vào dự báo nếu đã biết tại lúc đặt hàng.
Đầu ra là dự báo từng ngày. Nhân viên kế hoạch ghép dự báo với thời gian giao hàng, lượng tồn thực, lượng đã đặt và hạn sử dụng để tính số thùng. Họ giữ quyền điều chỉnh khi có sự kiện ngoài dữ liệu, chẳng hạn cửa hàng đóng cửa sửa chữa. Mọi lần điều chỉnh có lý do để nhóm có thể so lại với dự báo gốc.
Từ dự báo bán sang số thùng phải đặt
Giả sử mô hình dự báo bán 70 hộp cho thời gian chờ hàng về. Cửa hàng muốn giữ 10 hộp đệm, còn 35 hộp bán được và có 20 hộp đã đặt sẽ về kịp. Mức thiếu dự kiến là 25 hộp. Nếu nhà cung cấp bán theo thùng 12 hộp, hệ thống có thể đề xuất ba thùng. Người lập kế hoạch kiểm tra hạn dùng và sức chứa trước khi xác nhận. Đây là phép tính minh họa cho chính sách đặt hàng, không phải kết quả của mô hình M5.
Nếu hai dự báo khác nhau chỉ vài hộp mà đều cho cùng số thùng đặt, sai số thấp hơn chưa làm thay đổi quyết định. Trong phép thử, cần ghi lại những lần mô hình đổi số thùng hoặc ngày đặt, rồi xem thay đổi đó giảm hết hàng hay tăng tồn cuối kỳ. Điều này giúp tách lợi ích dự báo khỏi các lỗi như lô hàng về chậm hoặc tồn trên hệ thống sai.
So sánh ra sao trước khi mở rộng?
Giữ phương án lấy doanh số cùng thứ trong các tuần gần đây làm mốc. Chạy lại cả hai phương án qua nhiều thời điểm trong quá khứ, chỉ dùng dữ liệu có sẵn vào thời điểm đó. Đo sai số theo nhóm bán nhanh và bán chậm, độ lệch dự báo lên hoặc xuống, cùng số ngày thiếu hàng và hàng phải giảm giá trong một thử nghiệm đặt hàng có giám sát.
Chi phí gồm làm sạch lịch sử tồn và giá, duy trì đường dữ liệu, đào tạo người lập kế hoạch và theo dõi khi hành vi mua thay đổi. Mở rộng khi LightGBM giúp đặt hàng tốt hơn ở nhóm mục tiêu qua cả tuần thường lẫn tuần khuyến mại và khi lợi ích vượt công duy trì. Số dự báo có giá trị khi nó giúp người đặt hàng biết nên tăng hay giảm bao nhiêu, với giả định nào về tồn và thời gian giao.
Tài liệu tham khảo
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2022). M5 accuracy competition: Results, findings, and conclusions. International Journal of Forecasting, 38(4), 1346–1364. DOI
Có thể bạn quan tâm:
- Triển khai công nghệ Blockchain trong Logistics
- Nền tảng công nghệ kết nối nhà tài trợ và người trồng rừng giúp minh bạch hóa việc trồng rừng thông qua Blockchain & NFT
- Tiền mã hóa là gì?
- Du lịch sinh thái & quyên góp trồng rừng ứng dụng Blockchain trong công cuộc chống biến đổi khí hậu
- Tổ chức tự trị phi tập trung (DAO): khái niệm, mô hình và ứng dụng
- Pháp luật về thị trường tài sản mã hoá: kinh nghiệm từ Hoa Kỳ, liên minh Châu Âu và gợi mở cho Việt Nam
- Tầm quan trọng của mạng xã hội và web 3.0 đối với hoạt động marketing của doanh nghiệp
- Sự thay đổi của mô hình kinh doanh Canvas trong bối cảnh sự phát triển của Web3
- Blockchain trong giáo dục: cơ hội, ứng dụng và thách thức
- Web1.0, Web2.0, Web3.0 và những hoạt động Digital Marketing tương ứng của doanh nghiệp
