GoodsForecast — прогнозирование спроса

Или как определить, сколько покупателей купят ваш продукт

Можно ли с большой долей вероятности предсказать, сколько товара купят покупатели в том или ином магазине, а сколько останется на складе, или насколько успешной будет акция, которой вы планируете привлечь потребителей? Конечно, можно, если есть исторические данные. Мы команда компании GoodsForecast, которая как раз и занимается прогнозированием спроса. Хотим рассказать о себе и о том, чем мы можем быть полезны.

История GoodsForecast началась в 2000 году, когда выпускники и преподаватели МФТИ и кафедры математических методов прогнозирования факультета вычислительной математики и кибернетики МГУ создали компанию «Форексис». В ее задачи входила коммерциализация научных разработок российского ученого-математика, академика Юрия Ивановича Журавлева, школа которого еще в советское время занималась проблемами анализа больших данных и созданием алгоритмов машинного обучения. Решение задач анализа данных по заказу коммерческих и государственных структур стало основной сферой деятельности «Форексиса». Одним из первых клиентов компании была Московская биржа (первоначально ММВБ), которая заказывала российским математикам систему аналитики и мониторинга торгов. Для аэропорта «Домодедово» «Форексис» создал имитационную модель движения воздушных судов, а для РЖД прогнозировал объемы спроса на грузовые железнодорожные перевозки.

Именно «Форексис» и стал инкубатором для целого ряда российских компаний, специализирующихся на анализе данных и алгоритмах машинного обучения. Среди сформировавшихся на его основе проектов можно назвать всем известные «Антиплагиат» (анализ текста на заимствования) и «Антирутину» (анализ и мониторинг госзакупок). В 2013 году из департамента систем прогнозирования «Форексис» выросла и компания GoodsForecast, которая специализируется на прогнозировании спроса и оптимизации процессов для производителей, дистрибьюторов и торговых сетей.

Мы работаем в основном с крупным и средним бизнесом, среди наших клиентов как западные компании, так и российские: «Балтика», Philip Morris Int., Knauf, SPLAT, «О’КЕЙ, «Иль де Ботэ», «Верный» и др.

Сама по себе задача прогнозирования спроса не является конечной для бизнеса. На основе построенных прогнозов решаются следующие бизнес-задачи: планирование продаж, производства, управление запасами, планирование логистики и др. Например, для управления запасами мы строим прогноз спроса на товар, анализируя исторические данные по продажам в торговых точках, и рассчитываем, какой уровень запасов нужно держать на складах, чтобы не было затоваренности или дефицита.

Мы можем наладить автоматизированное пополнение склада, дать рекомендации по датам и объемам заказа каждого товара с учетом ограничений со стороны поставщиков, помочь снизить уровень запасов в распределительных центрах, произвести мониторинг упущенных продаж, который позволит точно определить периоды дефицита и неиспользованные возможности.

В этом году мы вывели на рынок наш новый продукт — решение GoodsForecast.Promo, позволяющее прогнозировать эффект любой планируемой промоакции, то есть то, как изменится объем продаж по ее результатам.

Мы учитываем множество параметров: товар, тип акции (простая скидка, «купи два товара — третий бесплатно» и т.д.), глубину скидки, время, географию и период проведения, конкретные магазины, дни недели, в которые она будет проходить (будни или выходные), и т.д. Если в данных торговых предприятиях ничего подобного никогда не было, мы расширяем круг поиска и для примера берем другие похожие магазины в этом регионе или товары той же товарной группы в этих же точках, или акции с немного другой глубиной скидки и т.д. На решение задачи планирования промо сейчас существует большой спрос, ведь полки магазинов буквально пестрят разноцветными ценниками, и чтобы привлечь покупателя, производители и ритейлеры все время снижают цену на товар, предлагают купить два продукта по цене одного или получить подарок в придачу.

В алгоритмическом аппарате решений, которые мы разрабатываем и внедряем, используются методы машинного обучения. Но для того чтобы они работали, а специалист мог получить достоверный прогноз, нам необходимы исторические данные о продажах. Например, вы хотите получить прогноз, сколько товара будет продано во время той или иной акции. Очень важно, чтобы у вас хранились исторические данные о его продажах и схожих промоакциях в прошлом. Удивительно, но даже крупнейшие российские компании и отделения мировых гигантов далеко не всегда корректно управляют содержимым своих информационных систем. Поэтому проекты по управлению мастер-данными (master data management) очень важны, ими, безусловно, стоит заняться, прежде чем приступать к решению задач, связанных с прогнозированием.

Кроме того, у многих на рынке сейчас сложилось ошибочное впечатление, что искусственный интеллект — это некая волшебная палочка и достаточно загрузить данные в «черный ящик», чтобы система выдала результат. На самом деле это не так. Во-первых, мало купить IT-решение или платформу, не менее важны компетенции и опыт людей, которые будут подготавливать данные и настраивать алгоритмический аппарат в рамках проекта внедрения. Во-вторых, если пользователь имеет дело с «черным ящиком», он не может понять логику его работы и то, какое влияние те или иные параметры оказывают на итоговый результат (прогноз). А значит, он не может управлять процессом — вносить в условия планируемой акции нужные изменения, чтобы провести ее с наилучшими показателями.

В наших планах вывести на рынок новые продукты. Сейчас мы запускаем решение, основанное на анализе данных операторов фискальных данных (ОФД), первые проекты уже стартовали. Мы рассчитываем, что уже в новом году совместно с нашими партнерами из ведущих ОФД сможем предоставлять производителям, дистрибьюторам и ритейлу анализ данных кассовых чеков, пробитых в магазинах. Эта информация поможет нам эффективно анализировать потребительскую корзину, в результате чего производитель будет точно знать, к примеру, с какой категорией товаров чаще всего покупают его продукт. А это важно, чтобы занять нужное место на полке в торговом зале.

Мы сможем предоставить аналитику по ценам на тот или иной товар в определенном городе или его районе в зависимости от формата магазина, что поможет производителям и дистрибьюторам в вопросах ценообразования. Данные чеков из магазинов могут быть полезны и самим торговым сетям. Мы поможем ритейлеру определить, у какого кассира выше производительность, какие кассы простаивают, а какие имеют высокую загруженность в часы пик, и тому подобное.

Сегодня мы видим, что новый год многие компании встречают с некоторой долей пессимизма. Вырос НДС, что приведет к повышению цен на товары, при этом реальные доходы населения снижаются. Все это может отразиться на потребительском спросе. Бизнесу в такой ситуации важно заботиться об эффективности, и мы рассчитываем, что сможем помочь в решении задач, связанных с прогнозированием и планированием.