Менеджеры подгоняли планы под свои KPI: как решили проблему с помощью ML
ML-решение помогает определять, какие товары, в каком регионе и в какой момент должны быть в продаже, чтобы выполнять планы по товарообороту и маржинальности
Задача:
Разработать систему прогнозирования спроса на базе машинного обучения, которая позволит точно определять, сколько товаров, каких торговых марок, в каком регионе и в какой период нужно производить и поставлять.
Причина:
Компания столкнулась с искажением данных в процессе планирования. Региональные менеджеры подгоняли планы по продажам так, чтобы точно достичь их и выполнить свои личные KPI. Например, для этого они могли просить дополнительные скидки на товары и использовать маркетинговый бюджет. Как итог: объемы продаж росли, но выручка и прибыль увеличивались совсем незначительно или вовсе показывали регресс.
Руководство решило перейти на систему принятия решений, основанную на предиктивной аналитике данных с помощью ML — машинного обучения. Так из планирования получится убрать человеческий фактор и учесть гораздо больше данных.
Клиент — российское представительство одной из крупнейших международных FMCG-корпораций, выпускающей товары под несколькими брендами. Компания работает с широкой сетью дистрибьюторов и ритейла, поэтому точность прогнозов влияет на объемы производства, логистику и выполнение планов по товарообороту.
Анализ данных
Мы анализировали исторические данные по продажам, ценам, скидкам, регионам и категориям товаров, чтобы использовать их для обучения модели. Перед таким использованием требуется проерить данные, чтобы найти методологические ошибки и непоследовательность в учете. Иначе неправильыне данные попросту разрушат все прогнозы.
Например, часть данных по стоимости товаров учитывала НДС, а часть — нет, и это искажало итоговую статистику.
Мы очистили и унифицировали данные, чтобы у системы была стабильная база для обучения.
Разработка ML-модели
На основе очищенных данных мы создали и обучили модель машинного обучения, которая учитывает:
- динамику продаж по сезонам и регионам;
- влияние скидок и акций;
- эффект каннибализации между товарами одной категории.
Модель прогнозирует спрос и позволяет рассчитать оптимальные объемы производства и запасы по каждому направлению.
Интеграция и внедрение
ML-модель предиктивной аналитики интегрировали с системой коммерческого планирования клиента. Менеджеры по логистике и закупкам используют прогнозы модели для планирования поставок и распределения запасов. Сервис также позволяет оценивать эффективность маркетинговых акций и рассчитывать оптимальные параметры скидок.
Модель предиктивной аналитики, разработанная Riverstart, с помощью AI помогает рассчитать, какое количество товаров, каких торговых марок, когда и где нужно продавать, чтобы выполнять квартальные и годовые планы магазинов по розничному товарообороту (РТО) и маржинальности.
По данным клиента модель принесла такие результаты:
- выручка компании выросла на 2%;
- прибыльность маркетинга увеличилась на 7%;
- в 3,5 раза ускорился процесс принятия решений.
Предиктивная аналитика помогла сократить издержки на экстренные закупки и хранение сырья и оптимизировать складские запасы.
Компания получила единый инструмент управления спросом и предложением, который обеспечивает прозрачное планирование на всех уровнях — от магазина до регионального офиса.