Кейс лидера в производстве масложировой продукции

Как повысить точность прогноза промо-продаж до 86% и сделать планирование управляемым

Когда доля промо на FMCG-рынке перешла за 50%, компания столкнулась с проблемой, знакомой практически каждому крупному производителю – низкой точностью прогноза промо-продаж (50-60%). И с сопутствующими такому прогнозу потерями: перепроизводство, недопроизводство, проблемы с остаточными сроками годности.

Проблема качества прогнозирования оказалась системной:

• Компания опиралась только на свои исторические данные — фактически «смотрела через замочную скважину»;
• на полке условия менялись постоянно: глубина скидок конкурентов, количество SKU, динамика цен;
• добавлялись региональные различия и особенности конкретных сетей;
• на спрос влияли «жёлтые ценники», механики промо и пересечения акций сразу по нескольким позициям.

Эти факторы формировали поведение покупателя сильнее, чем любые прошлые продажи. Компания приняла решение полностью перестроить подход: перешли от «одномерного» прогноза к многопараметрической модели.

Компания совместно с компанией GMCS разработала модель, которая учитывает 50–70 предикторов:

• регулярную и промо-цену,
• глубину скидок самой компании и конкурентов,
• дистрибуцию,
• географию и формат сети,
• параметры самой акции (механика, периодичность, длительность),
• поведение покупателей по дням промо,
• конкурентные пересечения в конкретной категории и даже на конкретной полке 

Провели глубокий анализ факторов, влияющих на спрос.

На этапе гипотез команда проверила:

• какие скидки реально поднимают продажи, а какие нет,
• как промо-эффект отличается по регионам,
• как распределяются продажи по дням акции,
• почему одни SKU реагируют кратным ростом, а другие — слабее (например, когда на полке одновременно идут несколько промо по категории). 

Эти зависимости легли в основу будущей модели.

Перестроили саму механику прогнозирования.

Модель строилась итеративно  по методологии CRISP-DM: гипотезы ➡️ анализ данных ➡️ моделирование ➡️ оценка качества ➡️ внедрение.

Компания использовала ансамблевые методы (XGBoost, случайный лес, цепи Маркова) и SPSS Modeler, чтобы уловить нелинейные зависимости в промо-эффекте и влияние SKU друг на друга 

Создали архитектуру, позволяющую прогнозировать на 6 месяцев вперёд, максимальная эффективность прогноза — 21 день.

Система учитывает: данные от ритейлеров, уровни дистрибуции, ценовую историю, статистику продаж  промо и обычных  SKU, сезонность и сетевые особенности. Это позволило получать прогноз как по SKU, так и по регионам и отдельным акциям с автоматизированной очисткой данных и повторным обучением модели по мере накопления истории.

В результате компания получила:

• Повышения качества прогнозирования по всему ассортименту. Рост качества прогнозирования в среднем по SKU вырос до 76%
• Управляемость промо: качество прогнозов выросло до 86%. В результате: производство стало стабильнее, трейд-команда — точнее, сеть — довольнее.
• Компания ушла от интуитивных решений к системе управления по данным, которая видит всю полку, а не только собственные отчёты. Смотрите в карточках результаты в цифрах 

В эпоху высокой промо-нагрузки точность прогноза крайне важна для устойчивости бизнеса. Кейс показывает: когда модель учитывает реальный контекст полки, компания получает не просто прогноз, а инструмент стратегического управления.

Источник: Telegram-канал сообщества CEO LAB
Назад