Как эффективно прогнозировать новинки?

Прогнозирование новинок - очень актуальная тема, значимая часть любого бизнеса. Существует ряд исследований, которые показывают, что потребители интересуются новинками, более того они их предпочитают. В разных компаниях доля новинок бывает совершенно разная: от 15 до 60% новинок в ассортименте, в обороте, в прибыли.

При этом статистика запуска новинок довольно слабая: согласно исследованию Harvard Business Review - до 95% запусков новинок неудачны. То есть при запуске новинок компании не достигают тех результатов, на которые они изначально ориентировались.

Роль новинок в цепях поставок сложно переоценить, все функции цепей поставок сильно интегрированы в этот процесс: производство, планирование, доставка, снабжение, а также маркетинг и продажи.

Согласно исследованию Gartner, прогнозирование новинок как функция - одна из топ 3 причин провала новинок, что означает что проблема в расчете прогноза новинок является очень актуальной.

Сложности прогнозирования новинок

Не секрет, что все традиционные методы так или иначе основаны на том, что компании анализируют исторические данные, выявляют параметры временного ряда и экстраполируют на будущее. А что делать если истории продаж нет?

Всегда возникает дефицит времени на эти сложные решения, из-за чего образуется недостаточное количество вводных, недостаточно понимания.

Во многих компаниях существует проблема субъективности, то есть нет единого представления о потенциале. К примеру, функция маркетинга может дать какие-то цифры, но это будут данные по стране и может не учитывать листинг и прочие параметры

Самая сложная проблема - качество данных. Зачастую множество источников данных не структурировано или предоставляется в неполном количестве, нет единого хранилища информации о данных. Иногда проблему частично решают внедрением портала Мастер данных, но бывает, что потребительские характеристики, которые являются значимыми при прогнозировании новинок, остаются за бортом.

Наиболее предсказуемая проблема в прогнозировании новинок - всегда есть что-то, что кем-то упущено или не учтено.

Зачастую при обсуждении темы прогнозирования новинок сразу возникает вопрос: насколько задача решаема, какие существуют решения? Новинки существенно различаются не только в различных индустриях, но и даже в одной индустрии. А также в зависимости от рынка и продуктовой технологии.

Можно сделать матрицу, как показано ниже, чтобы продемонстрировать насколько продуктовая технология внутри новинки является новой или существующей (был ли какой-то аналог) и также можно оценить, является ли рынок существующим или новым. На пересечении этих параметров можно понять, что в большинстве случаев новинки носят эволюционный характер, то есть происходит либо удешевление продукта, либо значительное улучшение, либо расширение линейки. Реже расширение географии и целевых рынков, запуск совершенно нового продукта для компании или для нового рынка. Как правило, компании работают с продуктами, которые в какой-то мере им знакомы, но все равно являются новинками.

Какие решения существуют для эволюционного и революционного сценариев?

Для эволюционного сценария новинок предпочтительнее использовать вычислительные методы, маркетинговую разведку и коллективный разум команды. Рассказываю подробнее о вычислительных методах.

Вычислительные методы оперируют историческими данными существующих продуктов. Хотя у новинок нет истории, ее можно создать с помощью отбора релевантных позиций. Затем происходит подготовка данных, моделирование, выбор прогноза и контроль качества. Все эти этапы так или иначе в любом решении, в любом подходе к прогнозированию используются. Рассмотрим подробнее каждый из них.

Релевантные позиции - позиции, которые будут являться донором, историей для новинки. То есть мы принимаем допущения, что новая позиция в своем жизненном цикле будет похожа на те позиции, которые мы запускали ранее. Соответственно, необходимо отобрать те позиции, которые будут являться донором для новинки. Для этого используется информация о признаках позиции - категории и подкатегории, ценовых и габаритно-весовых факторов, множества потребительских характеристик.

Среди потребительских характеристик могут быть наличие вкуса для йогурта, форма упаковки, емкость для косметики. Попарно сравнивая позиции которые были ранее в товарах и новинки, можно определенным образом найти ближайших соседей, которые могут являться донорами. Безусловно, не все из этих критериев являются равнозначными, чтобы их упорядочить можно использовать весовые коэффициенты.

В моей практике бывало по-разному: иногда для более простой коммуникации с категорийными менеджерами и бренд-менеджерами мы выбирали одного донора и ориентировались в первую очередь на него. В то же время, доноров может быть отобрано несколько.

Одним из значимых критериев также является месяц старта продаж. Конечно, жизненный цикл позиции, запущенный накануне сезона, в течение сезона или после сезона может быть существенно различным. Можно изначально отобрать те позиции, у которых сезонные профили и жизненный цикл будут максимально похожи на такие же параметры новых позиций.

Подготовка данных

Затем происходит подготовка данных для тех позиций, доноров которых мы отобрали на предыдущем этапе. Очевидно, что нельзя брать историю продаж как есть, потому что скорее всего в истории тех позиций есть выбросы. Для позиций доноров у нас уже есть история, поэтому мы можем качественно определить, является ли эта продажа выбросом или она органична для позиции донора. Затем обязательно необходимо проводить восстановление упущенных продаж из-за дефицита, потому что часто бывает, что если новинка довольно успешна в истории, она довольно быстро вымывается со склада и существует довольно долгий период, когда ее не было или короткий период. Соответственно необходимо сделать корректировку, иначе мы повторим свою предыдущую ошибку на новые новинки и заложим заниженный прогноз. Затем необходимо провести очистку и корректировку от сезонности, чтобы получить реальный потенциал без влияния зональности.

Только после этого можно приступать к прогнозированию. Модель прогнозирования работает с тремя компонентами:

С определенного момента новинка становится условной новинкой, к примеру в компании есть понимание, что новинка - это продукт, который продается менее трех месяцев. Когда прошел первый месяц продаж, эти данные уже можно использовать в модели.

В моей практике модели применяются совершенно разные: это могут быть и нейронные сети, и мнимые регрессии. В каждой из этих моделей мы с командой по-разному комбинируем факторы. Одним из интересных способов - построение ансамблей моделей, когда мы объединяем выходы из разных моделей и генерируем итоговый совокупный прогноз, который учитывает нюансы, которые связаны с каждым типом прогнозирования.

Выбор лучшего прогноза

Важным этапом является выбор лучшего прогноза, при котором традиционный метод с тестовой выборкой не применим. Как правило, если у позиций есть история продаж, она делится на две части: данные для обучающей выборки и тестовая выборка, на которой мы выбираем оптимальную модель. В случае с новинками - тестовой выборки нет, истории либо вообще нет, либо история в течение одного месяца. Поэтому нужно проводить дополнительное аналитическое исследование на разных методах прогнозирования, прогонять их для новинок, которые были относительно недавно в истории, чтобы понять, насколько точно метод прогнозирования работает и в последующем принимать решение, какой метод прогнозирования или ансамбль моделей для этой товарной группы наиболее применим. Важно регулярно это актуализировать - нельзя применять тот или иной метод прогнозирования как догму, потому что он может с течением времени перестать показывать те результаты, которые необходимы для бизнеса.

Контроль качества

Традиционные метрики оценки качества прекрасно работают и в прогнозировании новинок. Также можно рассчитать среднеквадратическую ошибку или абсолютную ошибку или любую иную ошибку. Самый важный показатель в новинках - FVA (Forecast Value Added), который демонстрирует, насколько ваши усилия, направленные на построение более сложных моделей, оправданы.

В нашей практике бывало, что мы строили довольно нетривиальные модели, а потом в сравнении с довольно простыми, оказывалось, что прирост в качестве либо минимальный, либо его совсем нет. Бывает, что простая модель, когда прогноз на следующий месяц равен продажам за предыдущий месяц дает лучший результат чем более сложная модель, например нейронная сеть, которая к тому же является черным ящиком. Поэтому необходимо обязательно обращать внимание - можно ли эту задачу решить более простым способом.

Когда новинка перестает быть новинкой?

Существуют разные подходы для позиций, которые имеют историю продаж и для новинок. С определенного момента нужно отказываться от вторых в пользу первых. Можно метод подбирать эмпирически, но на самом деле можно провести исследование, сравнить оба метода и понять, когда является точка перегиба - третий месяц или шестой месяц, или может надо ждать целый год, чтобы спрогнозировать новинку другими методами.

Каннибализация: учитываете ли вы потери в продажах других позиций?

Бывает, что одна позиция отнимает потенциал продаж у другой позиции и этот фактор надо обязательно учитывать.

Есть ли у вас планы Б, В и другие?

Не секрет, что большинство новинок не оправдывает потенциал, который закладывается коллегами из маркетинга. Поэтому должны быть предусмотрены дополнительные мероприятия по поддержке планов, связанных с новинками, или по их делистингу. Процесс контроля проще вести, когда есть более детализированный прогноз (понедельный, помесячный) или декомпозированный для каждого клиента или группы клиентов. Как правило, детализированные прогнозы вручную не формируются, а автоматические методы прогнозирования, в частности, декомпозирование прогнозов позволяет их построить.

Сделали ли вы все возможное, чтобы повысить качество данных?

Сохранили ли вы все выводы на будущее, чтобы не повторять предыдущие ошибки? Сохранили ли вы всю спецификацию и всю информацию касательно запуска новинок начиная от фактического листинга, упаковки и маркетинговой поддержки.

Процессы прежде всего

Какой бы ни была продвинутой система машинного обучения, на самом деле самое важное - бизнес-процессы и компетенции людей. Согласно исследованию Gartner, о котором вы читали вначале, причина №1 некачественного прогнозирования является поздний запуск новинок из-за некачественной организации работы, поэтому в практике прогнозировании запуска новинок необходимо учитывать качество процессов, и технологий и компетенций, которые при взаимодействии гарантируют успешный результат запуска новинок.