Рубрика развивается при поддержке Почты России

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.

Какой метод лучше?

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.

Прогноз получен. Что дальше?

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.

Практический пример

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.

Высечено в камне — это не про модели

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?

0
12 комментариев
Популярные
По порядку
Написать комментарий...
R-Globus

Нет там никаких прогнозов. Только ценники. Народ на праздники потянулся - поднимаем, народ на дачи разъехался - опускаем, чтоб все не сгнило, да следующую партию по контракту было куда запихнуть. Вот и весь прогноз.

Ответить
–1
Развернуть ветку
Станислав Воронин

Наивный прогноз на основе накопленного опыта заведующего секцией или специалиста отдела закупок - это тоже прогноз :) Ведь к поднятию / опусканию цен всегда изменяются и объемы закупок - к пятнице побольше, в понедельник поменьше. Математика в этой части позволяет сделать прогнозы точнее. Ну а объем эффекта от ускорения оборачиваемости товаров зависит от масштабов.

Ответить
3
Развернуть ветку
Андрей Гришенков

Станислав, хороший обзор методов прогнозирования

Ответить
1
Развернуть ветку
Станислав Воронин

Рад, что пригодилось!

Ответить
0
Развернуть ветку
Rozaly Kanevskaya

Ладно еще продукты, интересно вот как с прогнозами продаж конкретных цветов/букетов работают цветочные магазины. Там-то вообще срок жизни товара несколько дней. Ну и интересно, сможет ли себе какую-то предиктивную аналитику позволить условно один цветочный магазин или это всё только на больших объемах будет работать и по настоящему «отбиваться» по деньгам

Ответить
0
Развернуть ветку
Вячеслав Нечипорчук

Разработку позволить не сможет, а купить готовый продукт — вполне…

Ответить
0
Развернуть ветку
Rozaly Kanevskaya

ого, а в предиктивной аналитике есть коробочные решения?

Ответить
1
Развернуть ветку
Станислав Воронин

Да, коробочные решения для прогнозирования спроса и управления товарными запасами есть на рынке и достаточно в большом количестве. Тем не менее, для их настройки и сопровождения стоит понимать логику и принципы работы ядра системы, чтобы правильно управлять параметрами в пользовательском интерфейсе.

Ответить
0
Развернуть ветку
Станислав Воронин

Большие данные накоплены и работают на уровне оптовых поставщиков. А жизнь отдельного цветочного магазина - это субъективный опыт и навыки конкретного собственника, промахи в планировании которого помогает закрыть установленная маржа.

Ответить
0
Развернуть ветку
Вячеслав Нечипорчук

@Станислав Воронин, интересно! Можно и нужно с погружением в детали :)

Ответить
0
Развернуть ветку
Станислав Воронин

Буду стараться давать больше подробностей в будущих материалах. :)

Ответить
1
Развернуть ветку
Andrey Shevtsov

По уму, без математики тут точно не обойтись. И, если во все это погружаться, то надо начинать с решения квадратичных уравнений, которые, если не ошибаюсь, в 7 классе проходят.

Ответить
0
Развернуть ветку
Читать все 12 комментариев
На кого поставить при развороте рынка вверх
Avito доставка: Покупатель не принял товар, но при возврате он был выдан неизвестному лицу

Доброго времени дня. Вот и у меня произошла неприятная ситуация с Авито и Boxberry: вернувшийся мне товар в виде видеокарты GTX1070 стоимостью 35.000 руб. был вручен постороннему человеку без проверки документов.

В новогоднюю ночь клиенты Yota переписывались в Viber и WhatsApp

По данным Yota, в период с 31 декабря по 1 января объем трафика мессенджеров Viber и WhatsApp среди пользователей оператора вырос более чем на 50% по сравнению с периодом 24-25 декабря.

Почему спрос создать нельзя и что с этим делать

«Рекламируем паркетную доску темного цвета… она не пользуется спросом… люди спрашивают светлую… По опыту темную доску покупают люди… Вопрос: какую стратегию применить для привлечения покупателей?»

Как Counter Strike сделал меня веб-разработчиком и как я открыл свою веб-студию

Я, как и многие подростки, начинал свой путь с компьютерных игр, вернее с видеоигр, тогда еще компьютеры не были настолько популярными. Да, я про те времена, когда мы зависали, играя в приставку SEGA и у нас горели блоки питания от перегрева, кто в теме, тот поймет =)

Логарифмическое распределение цен на платформе Veles

Мы добавили логарифмическое распределение цен.

Digital Horizon спрогнозировала развитие финтеха в 2022 году

Инвесткомпания, которая создала криптосервис, недавно проданный Тинькофф Групп, рассказала, как мы будем платить внутри метавселенных, что придет на смену big data, почему миру нужна тотальная токенизация и какую роль играют финтехи в реализации ESG-повестки.

Люди на вырост: как it-компании получить новых сотрудников с нужными компетенциями

Чем занимаются стажеры «Ситимобила» — рассказывает (теперь уже) штатная сотрудница компании.

Harman умалчивает о проблеме в своих новых колонках JBL Charge 5

Я не люблю проводные подключения и стараюсь избавлять от них, где это возможно. Поэтому у есть пара колонок JBL Charge 3 в качестве портативного стереокомплекта акустики. В них мне не нравился недостаток высоких частот и устаревшая версия bluetooth 4, которая дает заметную задержку звука - просмотр фильмов становился некомфортным, звук отставал…

«Азбука вкуса» завоевала серебро и бронзу на международном конкурсе дизайна World Brand Design Society Awards

Проекты инхаус дизайн-студии «Азбуки вкуса» — упаковка Мосальского стейка и редизайн упаковки СТМ «Азбука вкуса» — получили серебряную и бронзовую награды в двух номинациях: Дизайн упаковки и Редизайн упаковки.

«Яндекс» купит технологическую платформу рекламного сервиса eLama Статьи редакции

Платформа сохранит название и продолжит развиваться под брендом eLama.

null