Как ритейлеры предсказывают спрос

Новогодние праздники — самый горячий сезон продаж. Руководитель направления систем бизнес-аналитики BIA Technologies Станислав Воронин — о том, как предиктивная аналитика помогает магазинам предугадывать спрос.

Для производителей, дистрибьюторов и розничных магазинов чрезвычайно важен правильный прогноз спроса — он позволяет оценивать необходимый объём предложения и составлять расписание поставок. Это особенно актуально для современных супермаркетов: складские помещения в них практически отсутствуют, и большая часть товара выставлена на полках. В этих условиях важно найти баланс: переизбыток товара — и придётся утилизировать нераспроданные остатки с истёкшим сроком годности, нехватка — и бизнес потеряет потенциальную прибыль.

В предновогодний период все эти проблемы встают особенно остро. Ритейлеры стремятся использовать ажиотажный покупательский спрос, чтобы получить рекордную выручку. Магазины завалены праздничными товарами (ёлочные игрушки, фейерверки, подарочные наборы и миллионы товаров с новогодним дизайном). Если перестараться, цена ошибки будет велика: в январе эти сезонные товары станут ненужными и вместо прибыли принесут одни убытки.

Здесь на помощь и приходит математика. Предиктивная аналитика помогает рассчитать оптимальное количество товара, чтобы он не залёживался, а у бизнеса всегда была выручка. Опыт показывает, что при грамотном использовании математических моделей, компании могут сократить средний объём замороженных оборотных средств аж на 30%. Однако разработка и тестирование таких моделей — дело небыстрое, так что готовить эти «сани» нужно с лета.

В основе эффективного управления товарными остатками магазина лежит проактивный подход. Ритейлер старается предсказать спрос на те или иные группы товаров и, исходя из этого предположения, выстроить логику пополнения. Предвидеть будущее на основании внутренних ощущений, субъективного опыта или кофейной гущи — не самое рациональное решение. Более точные и стабильные результаты компании получают, используя математические методы. Они помогают понять, каким будет спрос на конкретный товар в конкретном магазине и в конкретный момент времени.

Сразу оговорюсь: математика не всемогуща. Результаты прогноза основаны на анализе исторических данных. Максимальную эффективность прогнозирование спроса приносит в периоды стабильного потребительского поведения при условии наличия внушительных объёмов данных о прошлых продажах. Чем регулярней продажи, тем точнее, как правило, получается прогноз.

Требование наличия исторических данных относится не только к самим фактам продаж, но и к факторам, которые на них влияют (скидки, величина остатков, выкладка на полке, активность конкурентов, сезонность и многое другое). Каждый фактор оказывает большее или меньшее влияние на итоговый показатель продаж. В идеале модель должна учитывать максимальное число показателей, ну или хотя бы основные из них — те, что оказывают наибольшее влияние.

Использование многофакторной модели имеет свои особенности. Нужно понимать, что для получения прогноза продаж на горизонте в шесть месяцев, основанного, допустим, на модели из пяти факторов, необходимо иметь прогноз значений этих пяти факторов на те же шесть месяцев вперед. В этой связи, важно разделить факторы, которые вы планируете рассмотреть для включения в модель, на две группы:

- внутренние — то, на что вы можете повлиять: уровень цен, глубина скидки и акции, наличие остатков товаров, количество торговых точек, ассортимент и прочее;

- и внешние — то, на что вы повлиять не сможете: погода, активность конкурентов, законодательные ограничения.

Всегда следует с осторожностью относиться ко включению в модель внешних факторов, например, ценовой политики или рекламной активности конкурентов. Используя подобные факторы, вы должны понимать, что придётся либо заниматься промышленным шпионажем, либо прорабатывать сразу несколько сценариев (уровень цен конкурентов не изменится, уменьшится или увеличится), и далее из нескольких вариантов выстраивать консенсус-прогноз.

Несмотря на озвученные особенности и ограничения, математические модели для предсказания спроса широко применяются в экономике, особенно предприятиями в сфере розничной торговли.

Для решения задачи прогнозирования спроса используются две основные группы методов: классические и методы машинного обучения. Рассмотрим каждый из них подробнее:

1. Классические методы прогнозирования

Эти методы основываются на использовании статистических функций, например, ETS, Automatic ARIMA, Theta или TBATS. Любознательным читателям, желающим глубже погрузиться в тему, могу порекомендовать труд Роба Хиндмана и Джорджа Афанасопулоса “Forecasting: Principles and Practice”. В нём достаточно подробно разобрано, какие методы и как могут быть использованы.

К преимуществам использования классических методов можно отнести сравнительно невысокую трудоёмкость подготовки базовой модели с приемлемым качеством прогноза. На рынке существует достаточно большое количество решений, облегчающих труд специалистов по работе с данными (data scientists) и автоматизирующих основные подготовительные процессы и процессы, связанные с выбором и обучением моделей. Одним из примеров является сервис Prophet, предлагаемый компанией Facebook.

Конечно, существуют ситуации, когда стоит крепко подумать, прежде чем начинать строить прогноз на классических методах. В математические модели, используемые в классических методах, достаточно сложно включить большое количество весомых факторов. Если же вы понимаете, что для построения качественного прогноза вам недостаточно истории продаж и фактора сезонности, и нужно учесть десятки, а то и сотни различных параметров, то следует посмотреть в сторону моделей, основанных на методах машинного обучения.

2. Модели на основе машинного обучения

В последнее время всё чаще стали применяться модели, которые основаны на нейросетях и механизмах машинного обучения. Их преимущество — в возможности учёта огромного числа самых разнообразных факторов, помимо собственно объёма продаж за конкретный временной промежуток: в модель можно заложить, например, данные о скидках, промоакциях, погоде, динамике покупательского трафика, текущей рекламной активности, наличии или отсутствии товара у конкурентов.

В процессе тестирования алгоритма специалист по машинному обучению анализирует влияние каждого фактора на выдаваемый компьютером результат и принимает решение о том, какие показатели стоит включить в модель.

В ряде случаев модели на основе машинного обучения выбирают из-за скорости расчётов. Например, Uber строит онлайн-прогноз количества заказов по геолокационным зонам на основе нейронных сетей. При этом во главу угла ставится не точность прогнозов — она сопоставима с точностью, получаемой классическими методами, — а скорость расчёта прогноза, которая в данном конкретном случае кратно выше.

Среди специалистов по данным редко можно встретить явных антагонистов, использующих либо только классические методы, либо методы на основе машинного обучения. Жизнь многообразна, и при решении задачи следует проявлять творческий подход, оперируя максимально возможным количеством и вариативностью методов решения задачи для получения наилучшего результата.

Вместе с тем, в области научных соревнований победу всё чаще одерживают методы, основанные на искусственном интеллекте. Речь идёт о Конкурсе Макридакиса — серии открытых соревнований, придуманных выдающимся греческим прогнозистом Спиросом Макридакисом, для оценки и сравнения на практике точности различных методов прогнозирования временных рядов. В 2000 году первое место заняли классические методы, в 2018 — гибридные, а в 2020 — уже методы на основе машинного обучения.

Кстати, в будущем сложными вычислениями смогут заниматься не только учёные, но и простые пользователи: уже сейчас появляется экосистема, позволяющая автоматизировать часть операций и снизить трудоёмкость. Так, 10 декабря 2021 года Tinkoff запустил самостоятельно разработанный сервис для аналитики и прогнозирования — ETNA. Сервис использует открытый код и может быть самостоятельно доработан под себя любым желающим.

Специалисты отлично поработали и реализовали модель, генерирующую прогноз спроса с нужной нам точностью. Но сам по себе прогноз не гарантирует эффективного бизнеса. Следующим шагом является использование результатов прогноза для выстраивания системы товародвижения и автозаказа для поддержания оптимального объёма запасов на торговых полках супермаркета.

При решении задач планирования ритейлеры стали всё чаще обращать внимание на понятие вероятностного прогноза. При использовании данного подхода важна не точная цифра прогноза продаж (скажем, «в следующий вторник будет продано 7 пачек рождественских пряников»), а оценка вероятности покупки того или иного количества товаров (например, «в следующий вторник 7 пачек пряников будет продано с вероятностью в 60%, а 15 пачек — с вероятностью в 10%»). Данный подход особенно эффективен для товаров с редким и разреженным спросом, таких как автозапчасти.

В 2021 году собственную предиктивную систему управления доступностью товаров начала внедрять, например, торговая сеть «Пятерочка». Система работает на основе чековои аналитики за последние полгода: прогнозирует вероятность продажи товара с точностью до часа, информирует при выявлении отклонении и рассчитывает на основании спроса заказы на пополнение полок. Мультифакторная модель анализирует свыше 200 показателеи.

С мая по август 2021 года пилотныи проект был протестирован в 600 магазинах сети и доказал свою эффективность: точность прогноза увеличилась, ресурсы на администрирование процессов сократились на 0,83%, рост доступности топовых товаров составил порядка 1%, объём списании сократился, а розничныи товарооборот и скорость реакции на изменения спроса — повысились. До конца 2021 года компания обещала завершить внедрение сквозного автоматизированного управления товарными запасами для всех категории товаров во всех регионах страны.

Среди моих читателей наверняка найдутся критики, считающие, что предиктивные модели практически бесполезны в ситуации значительных изменений бизнес-среды. Действительно, жизнь всегда преподносит сюрпризы. Например, никто из игроков фармрынка в 2019 году не мог предположить, что спрос на медицинские маски увеличится на 1000%, а их продажа станет многомиллиардным бизнесом.

Для повышения точности любой модели в неё следует регулярно вносить корректировки. Тенденции в потреблении всё время меняются, а значит, предиктивные модели необходимо постоянно мониторить и дорабатывать.

В ближайшее время специалистам по розничной торговле в принципе придётся перепридумывать все бизнес-процессы: пандемия обеспечила взлёт e-commerce, и скоро службы доставки могут почти полностью вытеснить офлайн-ритейл. Не знаю, как вы, а я в прошлом году был в магазине всего раза четыре и неожиданно для себя целиком переключился на заказ продуктов домой.

К онлайн-магазину не применимы многие уловки, которые эффективно работают в офлайне (схемы раскладки товаров по секциям и полкам, направление покупательского потока, расположение товаров импульсивного спроса в прикассовой зоне и т.д.). Значит, ритейлеры будут искать новые способы стимулирования покупательского спроса и увеличения продаж. Один из них — переориентирование предиктивных моделей с общих прогнозов на прогноз индивидуального спроса каждого отдельного покупателя на основе его цифрового следа. Как вам такое будущее?

P. S. Пожалуйста, поделитесь в комментариях фидбеком по блогу: что ещё вам бы хотелось узнать? насколько подходит «взятая глубина»? будем и дальше погружаться в математические тонкости и терминологию, или выплывем на поверхность?