СТАТЬИ СЕРГЕЯ ИЛЮХИ
Ближайшие тренинги Сергея Илюхи
Прогнозирование спроса в ритейле: почему начинать нужно с категории, а не с SKU
Точность прогноза спроса сегодня определяет не только уровень запасов, но и финансовый результат торговой сети. Ошибка приводит либо к дефициту товаров и потере продаж, либо к избыточным запасам, замораживанию оборотного капитала и росту списаний.
Поэтому прогнозирование давно перестало быть задачей только логистов или закупщиков. Сегодня это один из ключевых инструментов категорийного менеджмента.
Однако большинство компаний по-прежнему строят прогнозы отдельно по каждому SKU. Такой подход кажется логичным с точки зрения математики, но именно он часто становится причиной серьезных маркетинговых ошибок и потери продаж.
Поэтому прогнозирование давно перестало быть задачей только логистов или закупщиков. Сегодня это один из ключевых инструментов категорийного менеджмента.
Однако большинство компаний по-прежнему строят прогнозы отдельно по каждому SKU. Такой подход кажется логичным с точки зрения математики, но именно он часто становится причиной серьезных маркетинговых ошибок и потери продаж.
Вышла новая книга Сергея Илюхи "Менеджер по работе с торговыми сетями. 10 шагов к рекордным продажам"!
Книга создана на основе курса "Менеджер по работе с торговыми сетями. Повышение квалификации" который в корпоративном формате прошли более 40 ТОПовых производителей.
Заказывайте книгу Сергея Илюхи "Менеджер по работе с торговыми сетями. 10 шагов к рекордным продажам" в электронном формате!
Заказывайте книгу Сергея Илюхи "Менеджер по работе с торговыми сетями. 10 шагов к рекордным продажам" в электронном формате!
Прогнозировать надо на уровне категории
Покупатель редко приходит в магазин за конкретным товаром. Он приходит купить молоко, кофе, стиральный порошок или корм для кошек. Выбор конкретной торговой марки происходит уже у полки. Именно поэтому прогнозировать необходимо прежде всего общий спрос на категорию. Он значительно стабильнее спроса на отдельные товары и в меньшей степени зависит от случайных факторов. После определения общего объема категории этот спрос распределяется между отдельными SKU с учетом их ролей, сезонности, промоактивности, наличия на полке в базовом и будущем периоде и других факторов.
Такой подход позволяет существенно повысить достоверность прогноза.
Такой подход позволяет существенно повысить достоверность прогноза.
Необходимо учитывать эффект перераспределения
Одна из главных причин ошибок — эффект перераспределения. Если на полке отсутствует привычный товар, покупатель далеко не всегда уходит без покупки. В большинстве случаев он выбирает аналог. При этом надо понимать, что перераспределение может быть как ситуационным (нет любимого товара), так и управляемым (выкладка, выделение ценником, игра с ценами, промо и т.д.) Если закончился один бренд молока, часть покупателей переключится на другой бренд. При отсутствии упаковки 500 мл многие возьмут литровую. Если нет привычного
вкуса йогурта, покупатель выберет похожий.
Продажи отдельных SKU могут существенно изменяться в результате
перераспределения, в то же время продажи категории значительно стабильнее.
Это происходит потому, что прогнозирование исключительно по отдельным товарам не учитывает перераспределение спроса внутри категории.
Для категорийного менеджера важно понимать не только объем продаж конкретного SKU, но и то, какие товары способны заменить друг друга и насколько быстро происходит такое замещение.
вкуса йогурта, покупатель выберет похожий.
Продажи отдельных SKU могут существенно изменяться в результате
перераспределения, в то же время продажи категории значительно стабильнее.
Это происходит потому, что прогнозирование исключительно по отдельным товарам не учитывает перераспределение спроса внутри категории.
Для категорийного менеджера важно понимать не только объем продаж конкретного SKU, но и то, какие товары способны заменить друг друга и насколько быстро происходит такое замещение.
Какие методы прогнозирования используются сегодня
На практике применяются несколько основных подходов.
Скользящее среднее — самый простой метод прогнозирования. Он хорошо работает при стабильном спросе и позволяет быстро получать прогноз без сложных расчетов. Недостаток очевиден — метод плохо реагирует на изменение тенденций и практически не
учитывает сезонность.
Экспоненциальное сглаживание учитывает, что последние продажи лучше отражают текущую ситуацию, чем данные нескольких месяцев назад. Благодаря этому прогноз быстрее адаптируется к изменениям спроса и широко применяется в системах управления запасами.
Модели машинного обучения (Machine Learning) анализируют значительно больше факторов: сезонность, цены, акции, погоду, праздники, региональные особенности, маркетинговую активность и множество других параметров. Такие модели способны обнаруживать сложные зависимости, недоступные классическим алгоритмам.
Однако даже самая современная нейросеть не способна компенсировать ошибки в постановке задачи. Если прогноз строится по каждому SKU независимо, без понимания структуры категории и взаимозаменяемости товаров, точность модели будет ограничена.
Готовые решения
Большинство современных ERP- и SCM-систем уже содержат встроенные инструменты прогнозирования.
Наиболее известные решения предлагают SAP IBP, Blue Yonder, RELEX Solutions, Slimstock, ToolsGroup, Oracle Retail, а также специализированные модули прогнозирования в 1С и других отечественных системах.
Практически все современные платформы используют комбинацию статистических моделей и алгоритмов машинного обучения. Однако эффективность их работы во многом определяется качеством исходных данных и логикой построения ассортиментной модели.
Скользящее среднее — самый простой метод прогнозирования. Он хорошо работает при стабильном спросе и позволяет быстро получать прогноз без сложных расчетов. Недостаток очевиден — метод плохо реагирует на изменение тенденций и практически не
учитывает сезонность.
Экспоненциальное сглаживание учитывает, что последние продажи лучше отражают текущую ситуацию, чем данные нескольких месяцев назад. Благодаря этому прогноз быстрее адаптируется к изменениям спроса и широко применяется в системах управления запасами.
Модели машинного обучения (Machine Learning) анализируют значительно больше факторов: сезонность, цены, акции, погоду, праздники, региональные особенности, маркетинговую активность и множество других параметров. Такие модели способны обнаруживать сложные зависимости, недоступные классическим алгоритмам.
Однако даже самая современная нейросеть не способна компенсировать ошибки в постановке задачи. Если прогноз строится по каждому SKU независимо, без понимания структуры категории и взаимозаменяемости товаров, точность модели будет ограничена.
Готовые решения
Большинство современных ERP- и SCM-систем уже содержат встроенные инструменты прогнозирования.
Наиболее известные решения предлагают SAP IBP, Blue Yonder, RELEX Solutions, Slimstock, ToolsGroup, Oracle Retail, а также специализированные модули прогнозирования в 1С и других отечественных системах.
Практически все современные платформы используют комбинацию статистических моделей и алгоритмов машинного обучения. Однако эффективность их работы во многом определяется качеством исходных данных и логикой построения ассортиментной модели.
Как повысить точность прогноза
На мой взгляд, главный резерв повышения точности заключается не в выборе алгоритма, а в правильной постановке задачи.
Сначала необходимо спрогнозировать спрос на категорию как на единый объект управления. Затем определить роли товаров, учесть взаимозаменяемость SKU, влияние промоакций, сезонности и только после этого распределить прогноз между отдельными позициями.
Именно так мыслит категорийный менеджер.
Алгоритм прогнозирования может быть любым — от скользящего среднего до искусственного интеллекта. Но если прогноз строится без понимания логики категории, даже самые современные технологии будут лишь быстрее считать неправильный ответ.
Сначала необходимо спрогнозировать спрос на категорию как на единый объект управления. Затем определить роли товаров, учесть взаимозаменяемость SKU, влияние промоакций, сезонности и только после этого распределить прогноз между отдельными позициями.
Именно так мыслит категорийный менеджер.
Алгоритм прогнозирования может быть любым — от скользящего среднего до искусственного интеллекта. Но если прогноз строится без понимания логики категории, даже самые современные технологии будут лишь быстрее считать неправильный ответ.
Подробнее на тренингах по категорийному менеджменту:
- Для ритейлеров
- Для поставщиков
- В книге «Категорийный менеджмент. Алгоритмы для практиков». Возможен предзаказ.
Автор статьи
- Сергей ИлюхаБизнес-тренер, к.т.н., один из ведущих экспертов по работе с розничными сетями, почетный член Ассоциации бизнес-тренеров.
Хотите записаться на обучение?
Заполняя форму, Вы даете Согласие на обработку своих персональных данных