Прогнозирование промо на базе решений IBM. Превратить прогноз в реальность
Прогнозирование промо на базе решений IBM. Превратить прогноз в реальность
29 июня 2021

Прогнозирование промо на базе решений IBM. Превратить прогноз в реальность

Прогнозирование промо-продаж – актуальная задача, которая стоит перед многими, но эффективно решается не всеми. Смотреть в «замочную скважину» классическими инструментами недостаточно, а влияющих на результат факторов крайне много. Чем тут может помочь искусственный интеллект и предиктивная аналитика, кто из российских ритейлеров это уже использует рассмотрим дальше.  

Немного вводных. Прогнозирование продаж – одна из важнейших составляющих процесса планирования продаж и операций, так как находится в самом начале цепочки поставок. Неточный прогноз приводит как к потерям продаж, так и к заморозке средств в избыточных запасах готовой продукции и сырья, вплоть до потерь на списаниях. Более качественное прогнозирование позволяет точнее управлять запасами, закупками и перевозками, что приводит к росту удовлетворенности клиентов, увеличению оборота компании и оптимизации складских запасов.

Прогнозирование спроса в период промо активности – часть этого процесса, специфика и сложность которого заключается в необходимости предсказывать настроения покупателей, пытаться угадать их предпочтения на фоне меняющейся экономический повестки дня, учитывая при этом сезонность, категорию товаров, цены конкурентов, расположение и окружение магазинов и другие краткосрочные и долгосрочные факторы.

В 2020 году из-за коронавируса продажи целых сегментов рынка замедлились или совсем ушли в отрицательную зону поскольку изменились или же исчезли «ситуации потребления» этих товаров. По данным аналитической компании Nielsen, уже к 3 кварталу 2020 года доля промо вернулась к доковидным значениям. При этом потребитель стал менее склонен к риску и больше настроен на поиск выгоды. В связи с чем производители и ритейлеры пересматривают промостратегии и механизмы ценообразования, чтобы сделать «промогонку» сбалансированной и эффективной.

Основная проблема планирования промо заключается в его низкой релевантности. Прогнозировать промо-продажи опираясь только на исторические данные продаж все равно, что рассматривать слона через микроскоп. Необходимо смотреть на доступные данные в комплексе и использовать интеллектуальный подход к их изучению. Так какие же инструменты доступны прямо сейчас?

Технологическая начинка

Для повышения эффективности промо предлагаем использовать возможности IBM Cloud Pak for Data – модульной, открытой и расширяемой платформы для данных и искусственного интеллекта, которая сочетает в себе широкий набор описательных, диагностических, прогнозирующих и предписывающих возможностей. В комплексное решение входят более ранние продукты, такие как IBM SPSS, позволяющий строить прогнозные модели, решение для предписывающей аналитики и построения моделей оптимизации IBM ILOG CPLEX, и IBM Watson Studio для создания моделей машинного обучения без программирования. Кроме того, пользователям доступны передовые open source-библиотеки.

Отметим, что решения IBM, включая Watson Studio on IBM Cloud Pak for Data, SPSS, ILOG CPLEX, названы лидерами Gartner Magic Quadrant for Data Science and Machine Learning Platforms 2021, что является дополнительным критерием выбора.

Использование аналитических возможностей решений IBM, в том числе открывающих доступ к ML Open Source библиотекам, позволяет быстро развертывать необходимое по конфигурации решение, поддерживать непрерывную оптимизацию (continues optimization) за счёт бесшовного взаимодействия между процессами, производить расчеты в реальном времени.

Как работает модель прогнозирования промо

В модель закладываются необходимые параметры:

  • Сезонность и тренды
  • Праздники и другие календарные эффекты
  • Характеристики магазина и его окружение
  • Иерархия и товарные атрибуты
  • Характеристику выкладки товаров
  • Промо и цены конкурентов
  • География и другие

Если говорить упрощённо, прогнозирование состоит из обучения – настройки моделей под исторический спрос и построения прогноза на основе этих данных. В случае с IBM SPSS Modeler обучение может быть выполнено в автоматическом режиме: модель сама подтянет требуемые исторические данные из хранилища, подберёт наиболее важные факторы для прогноза и настроит алгоритм построения прогноза. Следуем помнить простую зависимость: чем большую точность прогноза мы хотим получить на выходе, тем больше данных потребуется.

1-4.png

Пример модели прогнозирования в IBM SPSS Modeler

При этом КАМу (Key account manager) остаётся только внести данные о своей будущей промо-активности и модель вернёт прогноз. Специалисты по ИТ в этом процессе не задействованы и нужны лишь при подключении новых источников данных.

Результатом планирования промо является прогноз спроса по регионам в период промоакции.

Выгоды от использования

Что даёт использование модели прогнозирования промо? Рассмотрим на примере кейса для компании ЭФКО, одного из лидеров food-tech в России. До проекта ЭФКО использовала другие инструменты прогнозирования, которые перестали отвечать потребностям компании в части точности прогноза. GMCS предложила реализовать модель прогнозирования с использованием IBM SPSS Modeler, а так же open source наработок.

Основные проблемы, с которыми столкнулись, были связаны с тем, что для точного прогноза отгрузок с завода производителя необходимо сначала получить корректную историю спроса на точках продаж. Но довольно часто возникают ситуации, когда по факту спрос на продукцию есть, но товара нет на полке по тем или иным причинам – и мы, как аналитики данных, не видим этого спроса из продаж. Для устранения этих проблем с данными была построена отдельная модель, восстанавливающая спрос.

В плотной связке с планерами из команды ЭФКО сформулировали первичный набор гипотез – факторов и источников данных, которые должны влиять на спрос и учет которых поможет увеличить точность прогноза, и приступили к их проверке. В дальнейшем, на протяжении всего проекта, мы совместно придумывали новые гипотезы и проверяли их влияние на точность на «легких» моделях, что позволяло быстро проверять гипотезы и не тратить время на внедрение их в «боевую» модель.

По итогам итеративного процесса генерации гипотез в модель было добавлено более 50 факторов, благодаря чему обеспечивается высокая точность прогноза. Учёт такого большого количества факторов возможен благодаря ансамблевым методам машинного обучения, заключающимся в объединении нескольких прогнозных моделей в одну.

Ключевыми результатами проекта прогнозирования промо в ЭФКО стало:

  • Достигнута точность прогноза 86% по ключевых SKU и 78% средней точности прогноза по всем SKU. Динамика точности прогноза варьируется от 1 до 6 месяцев
  • Процесс прогнозирования стал более прозрачным — он не завязан на конкретных менеджеров и легко воспроизводим
  • Увеличение скорости построения прогноза – от нескольких часов до нескольких минут
  • Повышение уровня сервиса в период промо
  • Снижение доли промо-объема за счёт более качественного исполнения трейд-маркетинговой активности

Рекомендации по внедрению

Несколько рекомендаций тем, кто только начал использовать или хочет попробовать прогнозирование промо:

  • Подружите планировщиков и команду разработки: совместно формируйте и быстро проверяйте гипотезы
  • Больше экспериментируйте: несколько маленьких шагов позволят понять, в каком направлении необходимо продолжить движение
  • Говорите с бизнесом на языке бизнеса: показывайте и рассказывайте о полученных результатах, а не о моделях, ML и как это работает

У GMCS есть опыт построения математических моделей планирования других бизнес-процессов в ритейле – прогнозирование спроса, оптимизация ценообразования, цепочки поставок в части распределения и пополнения, управления закупками, поставками, ассортиментом, а также персонала. 

3-3.png

Источник: Retailer, июнь 2021 г.

Чтобы получить консультацию по прогнозированию промо и других процессов в ритейле, направьте запрос на info@gmcs.ru


Назад