Как «умные» прогнозы меняют бизнес

Машинное обучение и инструменты предиктивной (прогнозной) аналитики меняют маркетинг, мерчандайзинг, взаимодействие с клиентами и даже цепочку поставок. Как «умные» прогнозные алгоритмы можно применить для оптимизации бизнеса, рассказывает Артем Капцов.

За первые три квартала 2018 года российский рынок товаров повседневного спроса впервые продемонстрировал снижение продаж на 3,2%: россияне стали бережливее и начали покупать меньше товаров повседневного спроса и продуктов, говорится в исследовании GfK.

Средний чек уменьшился из-за низкого уровня инфляции и падающих доходов населения, что в совокупности с растущей нагрузкой по неналоговым платежам привело к резкому падению доходов FMCG-предприятий и торговых сетей.

Одновременно игроки продуктового рынка из топ-10 начали активное поглощение небольших розничных сетей: местные торговые сети, которые сталкиваются с новыми моделями потребительского поведения и не успевают к ним оперативно адаптироваться, не выдерживают конкуренции с федеральными. Недавно стало известно, что X5 Retail Group, крупнейший ретейлер страны, ведет переговоры о покупке магазинов «Лайм», «Полушка» и «Всенародный» в Петербурге.

На фоне происходящих на рынке изменений, в частности трансформации моделей покупательского поведения, продуктовые предприятия и розница внедряют такие ИТ-решения, которые позволили бы им мыслить на опережение и принимать своевременные управленческие решения на основании анализа огромных массивов данных. На помощь им приходят прогнозные аналитические ИТ-системы, которые позволяют управлять бизнесом на всех уровнях: контролировать работу оборудования, координировать продажи и маркетинг и видеть самые острые потребности покупателя еще до того, как он сам их осознает.

Как строить прогнозы обслуживания техники

Одна из самых трудо- и ресурсозатратных задач для производителей товаров повседневного спроса — обеспечение бесперебойной работы оборудования на предприятиях. Из-за простоя оборудования компания теряет не только время, но и деньги. Чтобы избегать таких ситуаций, производителям нужно эффективно и по возможности своевременно управлять техническим обслуживанием и ремонтами оборудования (ТОиР), распределять трудовые ресурсы на выполнение работ с учетом того, какие специалисты нужны для работы с конкретным оборудованием, а также оперативно реагировать на непредвиденные ситуации (например, сбои в электричестве, которые приводят к остановке производственной ленты).

Предиктивная аналитика позволяет перейти от планового профилактического обслуживания техники к прогностическому. «Умный» алгоритм анализирует данные об оборудовании и работе предприятия и строит математическую модель, на основе которой формирует прогнозы. Такие системы обладают высокой точностью, так как могут собрать и обработать огромные массивы информации для получения прогнозов о поломках техники. Система учитывает условия эксплуатации оборудования, температуру, в которых оно функционирует, какие типы сбоев могут возникнуть, какие части машины страдают при каждом типе отказа и многие другие факторы, которые могут повлиять на сроки службы оборудования. В результате производитель может заранее предугадать, где и в какой момент случится поломка, и вовремя принять решение о ремонте.

Прогнозирование объемов производства

Другая важная задача, с которой сталкиваются как производители, так и розничные сети, — прогнозирование объемов товаров, которые нужно произвести, закупить и транспортировать, чтобы полностью покрыть потребность покупателей в продукте, но избежать избытка товаров на складе. Во многих сетях потребность в том или ином продукте рассчитывается на основании данных за прошедший период — объема продаж, динамики спроса на те или иные товары, количества средств, потраченных на рекламу, и других.

И тут возникает сразу две проблемы. Во-первых, человек не может самостоятельно и безошибочно обработать такой объем информации в короткий срок и, более того, составить на его основе какие-то прогнозы. Во-вторых, при таком раскладе не учитывается множество факторов, с которыми может столкнуться розница — от падения потока покупателей в конкретной торговой точке до изменения экономических условий и уровня жизни населения. В результате компании сталкиваются с различными проблемами: например, закупают или изготавливают непопулярную среди клиентов продукцию или не могут предотвратить отток покупателей. В частности, по данным исследования IHL, из-за ошибок в управлении складскими запасами мировой ретейл потерял уже около $1,1 трлн выручки.

Предиктивная аналитика помогает оптимизировать управление спросом: для прогнозирования покупательского спроса системе пригодятся исторические данные о продажах за два-три года в динамике, информация по покупательскому потоку в каждой конкретной торговой точке, о рекламных кампаниях и маркетинговых акциях, сведения о тенденциях на рынке. Такой фактор, как сезонность, тоже важен: перед Новым годом растет востребованность одних товаров, а в разгар лета — других.

Система анализирует полученную информацию, составляет математическую модель и формирует прогнозы в несколько этапов. Например, цикл прогнозирования продаж для FMCG-компаний выглядит следующим образом.

Этап 1. Целевое планирование: формируются и утверждаются целевые показатели продаж.

Этап 2. Ретроспективный анализ и формирование базового бюджета: анализ данных производится в разрезе территорий, периодов, торговых представителей, SKU (для вторичных продаж).

Этап 3. Моделирование и корректировка планов продаж и бюджетов при помощи инструментов прогнозирования и сценарного моделирования.

Благодаря этому бизнес может оперативно корректировать стратегии продаж — как в B2B-секторе, если речь идет об FMCG-производителях, так и в розничной торговле. Прогнозирование спроса также позволяет своевременно пополнять ассортимент востребованными товарами: благодаря этому компании могут избежать затоваривания или, наоборот, дефицита на складах.

И, наконец, самые радужные перспективы для инструментов прогнозирования открываются в продуктовом маркетинге. Некоторые ретейлеры уже активно используют возможности машинного обучения для прогнозирования следующей покупки, привлечения клиентов или планирования маркетинговых кампаний. Потребности и ожидания покупателей постоянно меняются, и даже опытному маркетологу трудно всегда быть в курсе этих трансформаций. Однако прогнозные технологии призваны совершить революцию в маркетинге, предоставив маркетологам глубокие «инсайты» в данных о потребителях. Например, Amazon регулярно составляет прогнозы продаж для таких крупных акций, как Prime Day, Black Friday, Cyber Monday.

В российском ретейле также есть подобные примеры. Например, с прошлого года в X5 Retail Group действует проект Smart Data X5, предусматривающий управление выкладкой товаров при помощи инструментов обработки больших данных. К концу 2018 года все товары в магазинах сети «Карусель» будут выложены по созданной ИТ-системой схеме. По данным компании, планограммы помогли вырастить продажи в отдельных категориях товаров на 10,5% в сравнении с прошлым годом.

Кроме того, прогнозные решения способны улучшить взаимодействие с клиентами. Сейчас растет спрос на персонализированные услуги и бренды, которые не соответствуют ожиданиям клиентов, терпят убытки, ведь недовольного клиента вернуть очень сложно. Индивидуальные предложения помогают предотвращать такой отток покупателей. Система прогнозирования на основе накопленных данных находит клиентов, которые входят в группу риска. Затем она составляет прогнозы о том, насколько экономически оправданно бороться за их внимание. Если алгоритм приходит к выводу, что конкретного покупателя можно удержать, он готовит для него выгодное персонализированное предложение. В результате компании могут сохранить клиентскую базу и увеличить прибыль за счет своевременного удержания покупателей.

Поэтому Amazon, к примеру, отправляет покупателям персонализированные предложения, составленные в результате анализа их предыдущих покупок. И пусть Amazon не раскрывает данных о том, растет ли ее прибыль благодаря прогнозированию, исследователи McKinsey уверены: персонализация позволяет компаниям увеличивать доходы на 5–15%, а также снижать затраты на закупку продукции на 50%!

Конечно, это далеко не все области применения прогнозной аналитики в FMCG и ретейле: от рекомендательных сервисов до оптимизации учета рабочего времени и графикования смен — в каждой из областей бизнеса предсказания находят свою нишу. «Умные» системы учатся и развиваются, и вместе с этим полностью меняется подход к их внедрению в бизнес-процессы. Конечно, отважиться и вложить средства во внедрение инноваций и трансформацию бизнеса непросто. Однако не нужно использовать предиктивную аналитику, чтобы понять: те компании, которые сделают это сейчас, смогут привлечь больше лояльных клиентов и избежать ошибок в бизнес-процессах. Именно они в недалеком будущем станут лидерами рынков ретейла и FMCG и будут диктовать другим правила игры.

Автор: Артем Капцов, руководитель департамента интеграционных услуг и комплексных решений Navicon

Статья опубликована на сайте РБК