Кофейная гуща, гадальные карты и другие технологии прогнозирования в ритейле

Прогнозная аналитика использует данные, статистические алгоритмы и методы машинного обучения. Она определяет вероятность будущих результатов, основываясь на исторических данных.

Жесткие экономические условия и необходимость выделиться на фоне конкурентов подталкивают бизнес к поиску новых решений, нестандартных подходов. Одним из таких решений несколько лет назад стали большие данные. BigData, рекомендательные сервисы, сегментация клиентов помогли многим компаниям обойти конкурентов.

Мы научились собирать большие данные, анализировать их и делать релевантные предложения клиентам. Но этого мало. Имея на руках информацию и предиктивные алгоритмы, можно предсказывать поведение пользователя, его реакцию на предложения, изменение спроса на товары и т.д. На данный момент существуют технические возможности для анализа огромных объемов данных.

И именно в этот момент стоит обратиться к прогнозной аналитике.

Где работает прогнозная аналитика

Прогнозная аналитика успешно справляется с такими задачами, как

• выявление тенденций,
• понимание клиентов,
• повышение эффективности бизнеса,
• стимулирование стратегических решений,
• предсказывание поведения.

В настоящее время прогностический анализ наиболее популярен в коммерческом секторе экономики, в первую очередь, в телекоме, розничной торговле, финансовых организациях.

Маркетинг. Многие используют прогнозный анализ для определения реакции клиентов на предложения, акции, появление новых продуктов и т.д. Предиктивные алгоритмы лежат в основе рекомендательных систем: с результатами анализа предыдущих покупок и действий клиента работают техники апсейла и кросс-сейла. Прогнозные модели помогают компаниям привлекать, удерживать и развивать наиболее прибыльных клиентов и минимизировать свои маркетинговые расходы.

Операционная деятельность. Многие компании используют прогностические модели для прогнозирования инвентаризации и управления ресурсами. Авиакомпании используют прогнозный анализ, чтобы определить цену и количество билетов на рейс. Отели пытаются предсказать количество гостей, на которое они могут рассчитывать, чтобы регулировать ценообразование.

Риски. Оценка кредитоспособности – один из самых ярких примеров прогнозного анализа. Финансовые организации широко используют кредитные оценки, прогнозируя платежеспособность клиента в самых разны ситуациях – от страхования автомобилей до приобретения недвижимости. Кредитный рейтинг представляет собой число, генерируемое с помощью прогнозной модели, которая включает в себя все данные, имеющие отношение к кредитоспособности человека.

Кибербезопасность . Прогнозная аналитика предотвращает потери из-за мошеннической деятельности, определяя их еще до возникновения. Алгоритмы анализируют все действия в сети в режиме реального времени, чтобы обнаружить отклонения, которые могут свидетельствовать о признаках профессионального мошенничества, нулевой уязвимости или постоянных угрозах.

Прогнозная аналитика в ритейле

Как правило, инструменты прогнозной аналитики применяются для планирования, закупок, первоначального распределения, пополнения ассортимента и мерчендайзинга; оптимизации цен, обработки рекламных мероприятий и других действий. Таким образом, они влияют на факторы, которые связаны с историей продаж и формированием потребительского спроса, тенденциями, сезонными колебаниями, ценовой эластичностью спроса и т.д.

Ритейлеры могут использовать инструменты прогнозной аналитики для следующих целей:

• оценка эффективности рекламных мероприятий и кампаний,
• анализ маркетинговых предложений для клиентов,
• определение ассортимента,
• построение лояльности к бренду,
• расчет оборачиваемости склада,
• построение транспортных моделей в логистике.

«Ритейл – это очень благодарная отрасль для применения прогнозной аналитики, – рассказывает Дмитрий Ларин, руководитель направления ритейл-аналитики SAS Россия/СНГ. – На основе аналитических алгоритмов строятся не только модели спроса и отклика на маркетинговые предложения, но также планируются поставки, загруженность складов, нагрузка персонала и другие процессы».

В подтверждение Дмитрий приводит примеры использования методов прогнозирования известными ритейлерами.

Решения прогнозной аналитики SAS применяют Adidas, Matas, Family Dollar, Levi's, Starbucks, Belk, Tesco, 1-800-Flowers.com, Amazon, Staples и другие компании. Так, например, Levi's прогнозирует с помощью SAS спрос и самостоятельно управляет ассортиментом своих товаров в точках распространения, даже если речь идет об отделах в больших торговых центрах вроде Macy’s. За счет этого компания лучше знает своих потребителей, увеличила продажи и смогла наладить более продуктивное сотрудничество с торговыми сетями.

Онлайн-магазин цветов и подарков 1‑800‑Flowers.com составляет целые продуктовые корзины, куда входят товары различных брендов, и учитывая вероятность отклика, проводит рассылки специальных предложений. Человек уже заказал цветы, что он купит в следующий раз? Кому предложить конфеты, а кому печенье? Оставлять ли на сайте баннер с клубникой в шоколаде или срочно вешать другой? Компания в ежедневном режиме получает ответы на эти вопросы с помощью аналитики, прогнозируя, как поведет себя спрос в каждом из сегментов.

Что касается российского опыта, то здесь интересен пример сети «Азбуки Вкуса», которая использует аналитику SAS для прогнозирования отклика на маркетинговые предложения и разработки новых видов кампаний. Ряд важных проектов в этой области SAS реализуем в группе X5 Retail. Но, к сожалению, подробности этого проекта Дмитрий Ларин пока не раскрыл.

Когда пора строить прогнозы

Прежде чем начать использование прогнозного анализа необходимо определить проблему, которую она должна решить. Важно ответить на несколько вопросов:

• Что вы хотите знать о будущем на основе прошлого?
• Что вы хотите понять и предсказать?
• Какие манипуляции вы захотите предпринять с полученными данными?
• Какие решения и меры будут приняты на основе полученных знаний?

Для построения прогнозов понадобятся данные из многих источников: транзакционные системы, данные, собранные с помощью датчиков, информация сторонних производителей, заметки колл-центра, веб-журналы и т.д. Возможно, понадобится специалист с опытом управления данными, чтобы помочь подготовить их к анализу.

После того, как данные тщательно подготовлены, можно строить прогнозную модель. Для этого можно использовать самые разные инструменты. Можно строить скоринговые модели в Excel, можно разрабатывать собственные приложения или воспользоваться существующим программным обеспечением. У серьезных Enterprise-решений есть серьезное преимущество. Они не только вытаскивают максимум полезного из уже имеющейся информации, но и "подтягивают" окружающую среду (внешние данные).

Алгоритмы и инструменты

«Технологии прогнозной аналитики можно разделить на 2 части – методы (алгоритмы) и программные инструменты. Методы, методическое обеспечение, используются всеми ритейлерами, а вот специализированные программные инструменты, как правило, только крупными, входящими в топ-список в своей отрасли (food, fashion и т.д.), – поясняет Евгения Евдокимова, к.э.н., руководитель направления прогнозной аналитики Тринити. – Остальные компании ограничиваются использованием программных средств, разработанных собственными силами в офисных приложениях, Excel, например.

Крупные компании могут позволить себе приобретение специализированных программ, средств и выделение штатных аналитиков для прогнозирования. Остальная часть компаний, руководствуясь принципом информационной рентабельности, не будет развивать внутренние компетенции по прогнозированию, а будет выбирать (и уже выбирает) оптимальный для них путь – регулярно пользоваться аутсорсинговыми услугами прогнозной аналитики».

Для прогнозирования спроса используются алгоритмы временных рядов (метод скользящей средней, простой сезонной, аддитивный, мультипликативный метод Хольта-Винтерса и др.). При этом, целесообразно для каждой категории товаров использовать свои модели, максимально точно описывающие поведение переменных.

На основе ассоциативных алгоритмов выстраиваются модели next best buy (следующей лучшей покупки). Такой подход позволяет делать покупателям именно такие предложения, на которые он откликнется с наибольшей вероятностью. Эти алгоритмы работают по принципу «если… то». В ритейле они помогают определять шаблоны поведения покупателей. Например, анализ корзин помогает определить, какие товары чаще всего попадают в один заказ. На основе таких шаблонов делаются предположения о том, что еще может приобрести покупатель.

Алгоритмы сегментации позволяют разбить ваших клиентов на группы, максимально отличающиеся друг от друга. Эти же алгоритмы выявляют и закономерности, объясняющие такое разделение. Таким образом, компания узнает своих потребителей, формирует стратегию продаж и взаимодействия с клиентами.

Алгоритмы дожития используются, например, для расчета жизненного цикла клиента, прогнозирования оттока покупателей.

«Под каждую бизнес-задачу подбирается оптимальный алгоритм или их ансамбль, – уточняет Евгения Евдокимова. – Например, алгоритмы деревьев решений применяются для прогнозирования оттока клиентов, регрессионные модели – для прогнозирования Customer Lifetime Value, алгоритмы ассоциаций – для определения временных шаблонов покупок».

Ювелирная точность

Пожалуй, пора привести конкретный пример.

Компании «Яшма Золото» понадобилось ИТ-решение, которое позволяло бы перераспределять продукцию по магазинам. Товары в ювелирной отрасли могут иметь достаточно долгий период реализации. В результате, в каждой точке скапливаются малоликвидные остатки, плохо продаваемые, именно в ней. Но при этом, есть фактор сезонности: декабрь для этой отрасли традиционно является пиком продаж. Задача очевидна – рассчитать рекомендации по перемещению товаров внутри сети магазинов, чтобы распродать товарные запасы в пиковый период продаж.

Компания обратилась за помощью к специалистам Softline, которые внедрили в сети ювелирных салонов аналитическую платформу Deductor. Система формирует для отдела логистики список рекомендаций на перемещение товаров, учитывая при этом скорость продаж и до 9 аналитических ограничивающих признаков. Такой подход обеспечивает большую вероятность продажи изделия в конкретной торговой точке.

Станислав Воронин, руководитель отдела внедрений BI-систем, компания Softline, рассказывает о том, какие данные и какие алгоритмы использовались при построении модели: «Мы анализировали историю продаж и перемещений товаров между магазинами сети. При этом выявлялись периоды дефицита товара в торговой точке, а также ошибки в данных учетной системы, связанные с несовпадением информации по остаткам товара с данными по его перемещениям. На выходе система формирует рекомендации по перемещению товара внутри сети с детализацией до конкретного штрих-кода.

Основной показатель для расчета перемещений – продаваемость, время реализации одной единицы товара. Для получения достоверной оценки продаваемости мы составили иерархический справочник товаров: до 9 уровней, включая тип изделия, ценовой диапазон, материалы вставок и т.п. Для расчета перемещений взяли итерационный алгоритм. На каждом шаге рассчитывали время реализации текущих остатков для каждой торговой точке и сопоставляли данный показатель между магазинами (каждый с каждым). Затем мы смотрели на данные о разнице во времени реализации остатков и выбирали магазины, где эти товары будут проданы с наибольшее вероятностью. Для них рассчитывался рекомендуемый объем. 

В результате ювелирная компания получила аналитическую платформу, которая не только грамотно перераспределяет товарные остатки по магазинам сети, но и стремится выровнять и минимизировать время реализации товаров во всей сети.

Что будет дальше? Правильное использование данных, анализ и прогнозирование – это не только способ продавать больше или знать своих клиентов лучше. Это большой шаг в будущее, возможность перейти на новые бизнес-модели: построить умные магазины или, следуя модному тренду уберизации, полностью оцифровать свой бизнес. Главное – начать предсказывать будущее уже сейчас.