ИИ и котики: как прогнозировать и увеличивать продажи с помощью анализа данных

Представьте ситуацию: у покупателя есть список покупок, пять позиций из него он купит в магазине в своём доме, ещё за тремя нужно перейти в магазин через дорогу, а тот самый любимый корм его котика – только в самом дальнем от дома магазине.

Это случилось потому, что так «сказала» ассортиментная матрица для точки продаж. Чтобы упростить процесс её составления, на данных бренда кормов для животных мы разработали инструмент для прогнозирования продаж и оптимизации продуктовой матрицы – Sales Forecaster.

Он поможет менеджерам компаний-производителей увеличить продажи и тратить кратно меньше времени на формирование матрицы, ритейлерам – эффективнее планировать заполнение полок, а покупателям – даст надежду купить все товары из списка в одном магазине. Сейчас всё расскажем.

Так как десятки и сотни наименований товаров выставить на полку магазина невозможно физически, сколько позиций будет продавать ритейлер, зависит от формата магазина. Поэтому приходится выставлять на полки только топ-продукты с хорошей маржинальностью или хорошим оффтейком – «уходимостью» с полки.

Итак, товаров много, данные о продажах постоянно обновляются, а значит, матрицу необходимо актуализировать. При всей сложности этого процесса, в большинстве компаний это делают «по старинке» – вручную, в Excel, опираясь на опыт и наитие.

Главная задача, которую попросил нас решить клиент, производитель кормов для животных: упростить планирование и максимально автоматизировать этот процесс с помощью ИИ.

Sales Forecaster – модель на базе алгоритмов машинного обучения, которая, если загрузить в нее исторические данные о продажах, построит прогноз и cформирует продуктовую матрицу за трейд-маркетолога.

В использовании инструмент максимально прост. По умолчанию сервис учитывает заложенные данные, но менеджер может загрузить более актуальный документ о продажах за период (в нашем проекте это были данные за три года), затем выставить необходимые переменные: по какому количеству позиций он хочет прогноз, желаемые доли категорий, например, 60% – корма для кошек, 40% – корма для собак, сколько влажных и сухих кормов.

Сервис «умеет» строить прогноз с учётом цели: либо нарастить продажи, либо увеличить доходность. Для сравнения графиков, можно менять фильтры и следить, как в интерактивном режиме пересчитываются запрошенные параметры.

ML-модель, использующаяся в сервисе, учитывает более 40 факторов: например, географию, продажи в точке или сети, сезонность, данные по другим товарам из категории и появление новых товаров, запланированные промокампании бренда или прошедшие промо конкурентов, и даже погоду.

Планировать продажи в Sales Forecaster можно на месяц, три месяца, полгода и год – можно сформировать краткосрочную стратегию или спланировать продажи в долгосрочной перспективе. Кроме того, на основе исторических данных инструмент просчитывает и процент ошибки, и процент профита.

Точность прогнозирования с помощью Sales Forecaster на выборке увеличилась на 5 п.п. Кроме того, разработанный инструмент показывает потенциал прироста продаж на 10-14 п.п. по оптимизированной матрице.

Автоматизация ручного труда – только первый этап в этом направлении. Совсем скоро искусственный интеллект будет строить матрицы с учетом специфики регионов и самых разных точек продаж.

И все котики будут получать именно тот корм, который любят 😻

Пишите ваши вопросы о Sales Forecaster в комментариях и рассказывайте, какие, на ваш взгляд, решения на базе ИИ нужны производителям и ритейлерам.

И, конечно, подписывайтесь на наш Telegram-канал ИИшечная – там ещё больше информации о новых технологичных продуктах, инсайды отрасли и кейсы – как искусственный интеллект помогает бизнесу избавиться от рутины и выйти на новый уровень.