ML-сервис прогнозирования спроса для международной FMCG-компании

1. Вводная задача от заказчика, проблематика, цели

Компания производит и реализует в России товары нескольких торговых марок. Чтобы продавать товары в разных регионах страны, компания должна заранее договариваться о производстве, поставках и строить распределительные центры. Для этого ей нужно знать, какое количество товара, в какой точке, в какое время и по какой цене должно храниться и продаваться. Чтобы определить эти параметры, компания прогнозирует спрос по каждому товару, группе, полке, магазину, региону, городу.

Сначала компания использовала Excel-таблицы, затем перешла на Anaplan. Однако региональные менеджеры подгоняли плановые данные по продажам так, чтобы точно их достичь и выполнить свои личные KPI. Руководство решило взять такие ситуации под контроль. Они хотели развить идею принятия решений на основе данных, при этом устранить существовавшие пробелы и намеренные искажения. Для этого нужна строгая и непредвзятая система контроля показателей. Точность прогнозирования готовых коробочных решений не соответствовала стандартам головного офиса, а затраты на их доработку оказались выше затрат на разработку собственного решения.

Задача: разработать ML-модель, чтобы определять, сколько товаров, каких торговых марок, когда и где продавать, чтобы выполнять квартальные и годовые планы магазинов по розничному товарообороту (РТО) и маржинальности.

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

Мы работали с живыми данными, прогнозировали спрос с учетом цен, скидок и каннибализации товаров и рассчитывали оптимальные параметры для скидок. У клиента не было какой-то единой и строгой системы сбора данных, поэтому могли быть ошибки, пропуски, проблемы со сбором. При анализе данных и обучении модели, мы должны были преодолеть эти проблемы, при этом не увязнуть в процессе, но и добиться необходимой точности прогноза.

Мы искали не просто неправильные показатели продаж, цены и спроса. Мы искали методологические ошибки сбора и очищали данные от них. Например, изучили статистические отчеты и графики распределения цен, нашли аномальные распределения, залезли в таблицы с цифрами и обнаружили, что часть стоимостей заносились с учетом НДС, а другие — нет.

Принцип работы системы прогнозирования:

1. Этап подготовки

Аналитики собирают исторические данные по сетям минимум за 3,5 года, чтобы получить информацию о сезонности продаж.

2. Параметры для прогноза

Менеджер указывает параметры прогноза: период для построения модели, необходимую разбивку прогноза по дням, неделям или месяцам, указывает промоакции, планируемые скидки или повышения цены.

3. Анализ данных

Программа анализирует продажи и скидки за такой же период в прошлые годы и учитывает другие факторы, влияющие на спрос — наличие товаров на складах, изменения цен по прайсу, разные тренды, эффекты сезонности, гало и другие.

4. Отчет с прогнозом

На основе загруженных данных программа составляет отчет. В нем менеджер видит, какие товары, в каком количестве, в каких магазинах и по каким ценам ему нужно выставить, чтобы его город достиг заданных целевых показателей. Другими словами, менеджер получает руководство по тому, как превратить плановый показатель в фактический.

3. Результаты сотрудничества

Создали модель прогнозирования спроса на основе ML, которая помогла увеличить выручку международной компании на 2%.

Кроме разработки самой ML-модели, мы помогли собрать и проанализировать данные, выявить закономерности и определить какие факторы влияют на спрос и результаты прогноза. А также провели интеграцию с существующей системой коммерческого планирования и добились того, чтобы менеджеры по логистике начали планировать складские запасы на основе полученных прогнозов.