Анализ данных для прогнозирования продаж и оптимизации продуктовой матрицы бренда Purina

Клиент

Purina – бренд кормов и лакомств для домашних животных, дочерняя компания производителя продуктов питания Nestle.

Контекст

Так как бренды не могут выставить на полки магазина все свои товары, им 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, продуктовую матрицу необходимо регулярно актуализировать. При всей сложности этого процесса в большинстве компаний это делают вручную, в Excel, опираясь на опыт и наитие.

Задача

Упростить планирование и максимально автоматизировать этот процесс с помощью интеллектуального анализа данных с применением машинного обучения.

Решение

1 Мы разработали инструмент – Sales Forecaster. Это решение на базе алгоритмов машинного обучения, которое, если загрузить в него исторические данные о продажах, построит прогноз и сформирует продуктовую матрицу за трейд-маркетолога и аналитика.

2 По умолчанию сервис учитывает исторические данные за прошлые периоды, но есть возможность загрузить более актуальный документ о продажах за новые периоды (в нашем проекте это были данные за три года) и выставить необходимые переменные: по какому количеству позиций необходим прогноз, желаемые доли категорий, например, 60% – корма для кошек, 40% – корма для собак, сколько влажных и сухих кормов и так далее.

3 Sales Forecaster «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 множество 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.

4 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.

Дмитрий Пухов

CTO Cleverbots

Ядро сервиса – Prophet, программное обеспечение от Facebook с открытым исходным кодом. Оно разработано как раз для прогнозирования поведения данных временных рядов в будущем. «Оракул» ищет паттерны во временных рядах и умеет учитывать сезонность и тренды. В этом главная особенность Prophet – гибкий подход и способность определить и заложить перемены поведения в выходные и праздничные дни, а если есть нужные данные – то даже изменения активности покупателей по дням и часам.

Алексей Капустин

Руководитель проектного офиса

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.