ML para Mayoristas: Predicción de Recompras por Cuenta

• Las cuentas de repetición impulsan la mayoría de los ingresos al por mayor, así que los reordenes perdidos cuestan dinero real.
• Historial de pedidos por cuenta y producto es el núcleo de datos.
• Comience con la brecha promedio de cada cuenta entre pedidos como base de referencia.
• Predecir las fechas de próxima orden, los artículos probables y las cuentas corriendo tarde.
• Enviar predicciones para reprender listas de llamadas y pedidos sugeridos en su aplicación de pedidos.
• Mostrar las razones detrás de cada predicción, y dejar que los representantes decidan.

Esta guía cubre la predicción de reordenamiento para mayoristas: los datos que necesita, comenzando con una simple base de referencia, lo que el modelo predice, cuentas en riesgo, órdenes sugeridas, cómo los representantes y sistemas utilizan predicciones, planificación de inventarios, explicación de predicciones y qué medir. Ponga claramente: Predecir el siguiente orden de cada cuenta, actuar en los que se retrasan y dejar que los representantes hagan la llamada.

Historia de pedidos. Cada pedido por cuenta, producto, fecha y cantidad.

Registros de cuentas limpios. Un registro por cliente, sin duplicados, cubiertos datos KPI.

Estaciones y promociones. Vacaciones, ventas y cambios de precios.

Detalles de la cuenta. Tamaño, tipo y ubicación.

Sell-through, si está disponible. Lo que la cuenta vendió a sus propios clientes.

Diferencia media entre órdenes. Por cada cuenta.

La bandera supera su brecha habitual. Una regla simple que ya ayuda.

A continuación, agregue el aprendizaje automático. Cuando la base pierde patrones estacionales o de producto, como se pesa en ML vs. inteligencia de negocios.

Siguiente orden. Cuando cada cuenta es probable que ordene.

Muy bien. Lo que suelen comprar.

Muy bien. Basado en historia y temporada.

Confianza. Qué seguro es la predicción.

Corriendo tarde. Pasando la fecha prevista de pedido.

Órdenes de rociado. Órdenes más pequeñas o menos frecuentes con el tiempo.

Falta de productos. Los artículos que dejaron de ordenar.

Alerta temprana. Los representantes llegan antes de que se pierda la cuenta.

En la aplicación de pedidos. Un carrito listo basado en la historia, como con Aplicaciones de pedidos mayoristas.

Los clientes se mantienen en control. Editan antes de ordenar.

Órdenes por correo electrónico también. Lea automáticamente, como en compra orden lectura.

Listas de llamadas diarias. Las cuentas deben presentarse pronto y las cuentas llegan tarde.

Razones mostradas. "Usually ordena cada 14 días; último orden hace 21 días."

Reps decide. Guía de predicciones, la gente vende.

Nuevas cuentas también. Won through mayorista outbound, luego rastreado para reordenes.

Es el proceso más grande. Como diseñado en la capa de proceso.

Las órdenes esperadas se suman. Las predicciones de cuentas informan de los niveles de existencias.

Menos medias. En los artículos regulares dependen.

Previsiones a nivel de sistema. Como se explica en pronóstico de la demanda.

Razones simples. Necesidades, estaciones y cambios recientes.

Crece la confianza. Cuando los representantes ven por qué una cuenta está marcada.

Reacción. Los representantes marcan predicciones erróneas para que el modelo mejore.

Para los operadores, cubiertos aprendizaje automático para operadores.

Predicción de precisión. Días entre órdenes predichas y reales.

Tasa de reordenamiento. Cuentas ordenando a tiempo.

Cuentas de riesgo recuperadas. Después de la divulgación.

Tamaño del pedido. Valor medio de orden de órdenes sugeridas.

Stockouts. En los artículos compran cuentas regulares.

Registros de cuentas limpios, historial de pedidos y cuentas de banderas pasado su brecha habitual entre órdenes.

Añada las fechas de orden siguiente, artículos probables y confianza, y muestre predicciones con razones en las listas de llamadas de rep.

Agregue órdenes sugeridas a la aplicación de pedidos, rastree la exactitud y las cuentas recuperadas y utilice la retroalimentación de los representantes para mejorar el modelo.

Astra Results Marketing construye la predicción de reordenamiento para mayoristas. Limpiamos los datos de la cuenta, empezamos con una simple base de referencia, predecimos los siguientes pedidos y artículos probables, marcamos cuentas de riesgo y enviamos predicciones a los representantes y ordenamos aplicaciones con razones claras.

Los avances comienzan con una revisión de datos del pedido a través de nuestra machine learning y analítica avanzada equipo.

Lecturas relacionadas

• Machine Learning para Operadores, no para Científicos de Datos
• Pronóstico de Demanda sin un Equipo de Ciencia de Datos
• Mayoristas: Apps de Pedidos para Cualquier Dispositivo

Usando la historia del pedido de cada cuenta para predecir cuándo ordenará después, qué comprará y si se está haciendo tarde.

Historial de pedidos por cuenta, producto, fecha y cantidad, registros de cuentas limpias e información sobre estaciones y promociones.

No. Comience con la brecha promedio de cada cuenta entre pedidos. Agregue el aprendizaje automático cuando necesite patrones de temporada y productos.

A través de listas de llamadas diarias de cuentas que se deben pronto o tarde, con simples razones mostradas para cada.

Sí, en una aplicación de pedido, como un carrito listo que pueden editar antes de ordenar.

Rastrear la exactitud de la predicción, reordenamientos a tiempo, cuentas recuperadas en riesgo, tamaño del pedido y stockouts.

¿Listo para saber qué cuentas deben ordenar después? Astra Results Marketing construye la predicción de reordenamiento que las banderas deben presentarse pronto y llegar tarde, sugiere órdenes y muestra las razones, así que menos regulares se escapan. ▸ LLAMAR AL (786) 321-2866 · ▸ SOLICITE SU CONSULTA