Retail · USA · Magazzino

Previsione della domanda e analisi ABC del magazzino

Un retailer di casalinghi USA perdeva vendite per scaffali vuoti sui best-seller mentre pagava troppo per stoccare l'invenduto. Incarico: prevedere la domanda su 18.400 SKU e rifare il piano acquisti.

Dati: 4,2 M di righe · 3 anni Stack: Python · Spark · Prophet · Power BI Durata: 3 settimane
demand_forecast · Power BI
aggiornato oggi
Precisione previsione
92.4%
MAPE 7,6%
Rotture best-seller
−63%
meno vendite perse
Costo di stoccaggio
−28%
3,1 M$ liberati
Rotazione magazzino
+19%
anno su anno

Vendite reali vs previsione del modello

mensile, migliaia di pz · tratteggio = previsione a 3 mesi

Analisi ABC dell'assortimento

quota SKU vs quota ricavi

◆ Risultanze
  • La classe A (7% degli SKU) generava il 71% dei ricavi — ed era la più spesso esaurita.
  • La domanda dei best-seller aveva cicli settimanali e stagionali che gli acquisti manuali ignoravano.
  • Il 34% degli articoli classe C non vendeva da 90 giorni e congelava il circolante.
✓ La nostra soluzione
  • Classe A passata a riassortimento guidato dalla previsione con scorta di sicurezza di 14 giorni.
  • Ritirati 1.240 SKU morti e budget reinvestito su ciò che vende.
  • Aggiunti alert di rottura sette giorni prima che un best-seller arrivi a zero.

Hai un progetto simile?

Raccontaci cosa stai costruendo. Rispondiamo entro un giorno lavorativo con un piano chiaro e un preventivo fisso.

Avvia il tuo progetto