Czy Amazon SageMaker pomoże hurtowni odzieży sportowej Fruit of the Loom lepiej prognozować popyt na rozmiary i kolory, żeby zmniejszyć braki i nadwyżki magazynowe?

Jakie straty generują braki i nadwyżki w hurtowni Fruit of the Loom?

Utracona sprzedaż i spadek zaufania przy brakach, zamrożony kapitał i przeceny przy nadwyżkach.
Braki to niewykorzystane zamówienia i gorsza dostępność wariantów. Klienci przenoszą popyt do innych dostawców, a marża maleje. Nadwyżki to koszt magazynu, ryzyko wyprzedaży i utrata miejsca na szybko rotujące rozmiary i kolory. W odzieży sportowej silna zmienność rozmiarów i barw dodatkowo wzmacnia te straty.

Na jakich danych opiera się prognozowanie rozmiarów i kolorów?

Na historii popytu w rozbiciu na SKU–rozmiar–kolor oraz atrybutach produktu, cenach i kalendarzu zdarzeń.
Potrzebne są serie dzienne lub tygodniowe dla każdej kombinacji rozmiar–kolor, stany i dostawy, czasy realizacji, ceny i promocje, zwroty, kanał sprzedaży oraz katalog produktów z atrybutami. Warto dodać dane o świętach, kalendarzu szkolnym i pogodzie, które wpływają na sport i rekreację. Im lepiej opisane warianty, tym bardziej precyzyjna prognoza.

Czym Amazon SageMaker różni się w podejściu do prognozowania?

To platforma do budowy i wdrażania modeli na produkcję, a nie pojedynczy arkusz czy skrypt.
SageMaker łączy przygotowanie danych, trenowanie, strojenie i automatyczne wdrażanie modeli. Umożliwia pracę na poziomie wariantu rozmiar–kolor dla tysięcy SKU. Kluczowe elementy:

• SageMaker Autopilot do AutoML i szybkiej bazy odniesienia.
• Wbudowane algorytmy, m.in. XGBoost oraz gotowe kontenery dla modeli sekwencyjnych.
• Data Wrangler do czyszczenia i inżynierii cech bez skomplikowanego kodu.
• Feature Store do współdzielenia cech, by prognozy były spójne.
• Pipelines i Model Registry do MLOps, wersjonowania i powtarzalności.
• Batch Transform i Endpointy do przetwarzania wsadowego lub w czasie zbliżonym do rzeczywistego.

W ekosystemie AWS istnieje też Amazon Forecast. Można go połączyć z SageMaker w jednym procesie, gdy potrzebny jest szybszy start.

Jak uwzględnić sezonowość i promocje w modelach prognozujących?

Przez cechy kalendarzowe, flagi promocji, ceny oraz zdarzenia i pogodę.
Model uczy się wzorców tygodniowych i rocznych, gdy dostanie proste cechy, takie jak dzień tygodnia, tydzień roku, miesiąc, okresy wakacyjne i święta. Promocje i zmiany cen dodaje się jako osobne zmienne. Dla odzieży sportowej warto uwzględnić start roku szkolnego, ferie, start sezonów ligowych i warunki pogodowe wpływające na koszulki czy bluzy. Gdy promocja przesuwa popyt między kolorami, model powinien widzieć pełen koszyk wariantów w jednej kategorii.

Jak połączyć dane sprzedażowe z katalogiem rozmiarów i kolorów?

Przez wspólny klucz SKU oraz tabelę wymiarów z rozmiarem i kolorem, po wcześniejszej standaryzacji nazw.
Najpierw należy ujednolicić nazwy kolorów i rozmiarów, na przykład mapując „navy”, „granat” i „deep navy” na jeden kod. Następnie buduje się tabelę wymiarów z atrybutami produktu i wariantów oraz łączy ją z historią sprzedaży i stanów. W praktyce:

• Trzymać surowe i oczyszczone dane w S3, opisać je w Glue Data Catalog.
• Użyć Data Wrangler do deduplikacji, map cech i kontroli braków.
• Zapisać finalne zestawy w formacie kolumnowym do szybkiego treningu.

Takie podejście zapewnia spójność między kanałami i systemami ERP oraz WMS.

Jakie metryki ocenią skuteczność prognoz rozmiarów i kolorów?

WAPE lub sMAPE i MAE do jakości prognoz, a fill rate i wskaźnik braków do oceny biznesowej.
WAPE pokazuje błąd w relacji do łącznego popytu i dobrze porównuje warianty. sMAPE stabilizuje wynik przy niskich wolumenach. MAE jest czytelne operacyjnie. Bias ujawnia systematyczne przeszacowanie lub niedoszacowanie. Z perspektywy biznesu ważne są:

• Fill rate, czyli udział zamówień zrealizowanych z pierwszego podejścia.
• Wskaźnik braków i poziom nadwyżek.
• Rotacja zapasów i dni zapasu.
• Odsetek wyprzedaży wymuszonych nadmiarem.

Jakie ryzyka i ograniczenia ma wdrożenie SageMaker w hurtowni?

Jakość danych, zimny start nowych wariantów, zmiany trendów oraz integracja z systemami.
Niepełne lub niespójne dane potrafią zdominować błąd prognozy. Nowe kolory i rozmiary bez historii wymagają transferu wiedzy z podobnych produktów. Trendy mody zmieniają wzorce, więc model musi być regularnie odświeżany. Wyzwaniem jest także spójna integracja z ERP i WMS oraz kontrola kosztów obliczeń. Pomagają w tym walidacje danych, monitoring driftu, periodyczne retreningi i testy A/B na wybranych kategoriach.

Jak zacząć pilotaż prognoz popytu w hurtowni Fruit of the Loom?

Od wąskiego zakresu, jasnych metryk i krótkiego cyklu uczenia.
Dobry pilotaż można zorganizować następująco:

• Wybrać 2–3 kategorie i kilka kolorów krytycznych dla sprzedaży.
• Zgromadzić co najmniej kilkanaście miesięcy danych na poziomie rozmiar–kolor ze stanami, cenami i promocjami.
• Zdefiniować metryki sukcesu, na przykład WAPE i fill rate.
• Zbudować prognozę bazową i model w SageMaker Autopilot lub XGBoost.
• Przeprowadzić backtesting i symulację zatowarowania z ograniczeniami dostaw.
• Uruchomić tryb shadow, porównać decyzje z rzeczywistością, a potem zrobić rollout na kolejne kategorie.

Takie podejście ogranicza ryzyko i szybko pokazuje wpływ na poziom braków i nadwyżek w hurtowni odzieży sportowej Fruit of the Loom.