Каннибализация, сезонность и динамическое ценообразование. Где применить ML для планирования спроса

Машинное обучение — термин модный. Мы привыкли, что его применяют в голосовых помощниках, автопилотах, распознавании речи. А я расскажу, как ML помогает дистрибьюторам и производителям потребительских товаров планировать спрос.

Потребитель научился искать лучшую цену онлайн, модные и специализированные товары – на маркетплейсах. Он ждет, что товар будет доступен по клику и придет точно в срок. И тот товар, который он увидел у любимого блогера в соцсетях.

Дистрибьюторы и производители потребительских товаров могут попробовать удовлетворить эти «хотелки» без автоматизации. Но если количество наименований в ассортименте больше 2000 — в отдел планирования спроса придется нанять сотни сотрудников. И все равно ошибки будут снижать воспринимаемый уровень сервиса. А еще вручную никто не станет планировать спрос на подкатегории товаров. На примере кофе – есть Classic, есть Gold, Gold Aroma Intenso и т.д. Вручную такое никто планировать не станет, все будет одно – растворимый кофе. А машинное обучение легко отсортирует эти категории. Здесь и далее экспертиза и кейсы от команды baigem. ru.

Разберем на примерах, где машинное обучение помогает оптимизировать уровень запасов и размещение товаров для удовлетворения спроса.

Простимулируем продажи соуса чили с помощью акции. Сделаем скидку в 20 процентов на соусы чили в торговой сети «Дорого и точка». Разумно, что мы захотим оценить эффект от этого мероприятия. Вручную можно оценить эффект в длинную – в конце программы, либо хотя бы через месяц после начала. Но если мы параллельно купим рекламу акции у блогеров, то в первые дни будет всплеск активности, который будет снижаться со временем.

Поэтому крайне важно каждый день оценивать эффект от стимулирования скидками, потому что новые данные приходят каждый день. Иначе может случиться, что наш соус чили будут покупать люди, не заинтересованные в скидках. Потеря рентабельности будет напрасной. Машинное обучение предотвращает такие проблемы. Математическая модель будет вводить и обрабатывать данные ежедневно.

Еще один пример. В нашей сети «Дорого и точка» мы продаем венесуэльский шоколад. Оценим уровень спроса на уровне эрии. Этих данных достаточно, чтобы предварительно загрузить производство.

Но теперь проблема – нельзя венесуэльский шоколад равномерно распределить по всем точкам. Все дело в колебаниях спроса в нашей сети. По будням спрос выше в центре города, по выходным – в спальных районах. И люди по-разному реагируют на маркетинговые компании. А еще мы хотим подтолкнуть потребителей к импульсивным покупкам. Для этого выложим венесуэльский шоколад перед кассами. Но надолго нельзя – швейцарский производитель шоколада требует место у касс и ревностно отслеживает нарушения.

В совокупности мы получили большой объем данных. Машинное обучение помогает оценить спрос в зависимости от всех факторов для уровня конкретной точки и отделить влияние сезонности. В зависимости от прогноза спроса формируются запасы на склад. Таким образом автоматизируется процесс закупки и складирования для каждой точки сети.

Все та же сеть «Дорого и точка». Мы продаем щуку и сома. И так получилось, что партию щуки вовремя не распродали. Срок годности подходит к концу. Мы делаем скидку в 30 процентов на щуку по всей сети. И неожиданно проваливаются показатели по продажам сома. Теперь в группе риска сом – на него подходит срок годности. Мы пали жертвами эффекта каннибализации.

Вручную отследить такое сложно, обычно выручает опыт. И все равно есть человеческий фактор, а вот ML не устает. Методы машинного обучения позволяют применить массив данных о пересечениях продуктов и избежать подобных исходов.

Планирование спроса особенно важно для скоропортящихся товаров. Тот же соус чили простоит месяц даже при явных ошибках в планировании, а вот творог и свежие фрукты – нет. В нашей сети «Дорого и точка» мы поставили на склад конкретной точки 1000 драгонфруктов. Через неделю они испортятся. Поэтому мы применим динамическое ценообразование – сегодня цена XXX, через день – XX, в последний день – X. Машинное обучение на основе данных поддержит цену на скоропортящиеся продукты оптимальной. Это поддержит целевые показатели прибыльность по всей сети.

Данную задачу можно решить и вручную. А можно с помощью ML снизить затраты на ФОТ.

Машинное обучения сокращает количество персонала в отделе планирования спроса до 2- 3 человек. Эти сотрудники будут отслеживать и корректировать статистические выбросы и сильные расхождения между запланированным и реальным спросом. Но такие события будут только по отдельным позициям в ассортиментной матрице, 5 процентов от общего количества.

Машинное обучение планирует краткосрочный спрос на продукцию. ML разделяет и учитывает все факторы, влияющие на спрос. Модели на базе машинного обучение выдают результаты каждый день, позволяют вносить корректировки в маркетинговые активности и планировать склад. При этом сразу на всех уровнях – эрии, локации, точки. Машинное обучение – жизненная потребность, а не блажь. Если вы еще не ввели его у себя в бизнесе – принимайте решение быстрее. Конкуренты точно уже подумали и начали внедрять некоторые его элементы.

В статье я не коснулся того, что «под капотом» у ML моделей. Это тема для отдельной статьи. И она будет, как и большой цикл про машинное обучение в разных сферах. Подпишись и не пропустишь.