Анализ данных для прогнозирования продаж и оптимизации продуктовой матрицы

1. Вводная задача от заказчика, проблематика, цели

Контекст

Выставить на полку магазина десятки наименований товаров невозможно физически, поэтому приходится выставлять только топ-продукты с хорошей маржинальностью или хорошим оффтейком – «уходимостью» с полки.

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

Задача

Упростить планирование и максимально автоматизировать этот процесс с помощью технологий искусственного интеллекта – анализа данных.

2. Описание реализации кейса и творческого пути по поиску оптимального решения

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

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.

3. Результаты сотрудничества

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.

Алексей Капустин

директор по проектам, Cleverbots

Sales Forecaster не просто формирует новую ассортиментную матрицу, но и показывает на графике, какое SKU необходимо заменить, и какой профит мы получим в таком случае. Интересно сравнивать прогноз модели с фактическими данными после внедрения инструмента – разницу ассортимента и прирост, который она генерирует, видно очень хорошо.