Как Data Science помогает при выборе места для магазина и формировании SKU. Рекомендации Fozzy Group

Директор Офиса прогнозирования Fozzy Group Максим Типухов на вебинаре “Case Study по прогнозированию” от Hack4Retail рассказал об актуальных инструментах прогнозирования на примере Fozzy Group. Retailers публикует основные выдержки его выступления.

---

“Дерево принятия решений”

CDT (Customer Decision Tree) — это инструмент, который показывает какие продукты выбирает покупатель в магазине, на чем основывается его выбор и какие альтернативы ему предложить в случае отсутствия необходимого товара. Для составления точного прогнозирования, используется data science.

При выборе товара, клиент обращает внимание на следующие параметры: вид, принадлежность, состав, цена, бренд и т.д. Ниже приведен пример клиентского дерева принятия решений при выборе йогурта и арахисовой пасты.

Фото: скриншоты из презентации Максима Типухова 

Метрики

Есть ряд определенных метрик, которые применяются для определения точности прогнозирования.

MAD (mean absolute deviation) — формула, которая показывает разницу между тем, сколько было спрогнозировано и сколько продано. Метрика помогает оценить эффективность модели работы магазина. Чем больше MAD, тем хуже точность прогнозирования.

MAPE (Mean Absolute Percent Error) — это показатель точности прогнозирования. WMAPE (Weighted Mean Absolute Percentage Error) — почти такой же показатель как и MAPE, но с учетом сдерживающих факторов. Например, вы пытаетесь предсказать убыток, но процент потерь должен быть взвешен с объемом продаж, потому что убыток от огромной продажи требует лучшего прогнозирования. 

Одна из важных метрик — это Bias (англ. – смещение) —демонстрирует на сколько и в какую сторону прогноз продаж отклоняется от фактической потребности. Если вы недопрогнозируете, вы сталкиваетесь с пустыми полками, если вы перепрогнозируете — у вас большие остатки и списание товара, как следствие. 

Для чего это все нужно? Для того, чтобы гость был доволен. С точки зрения бизнеса, это влияет на уменьшение остатков, на снижение out-stock, и самое критичное на сегодняшний день — это уменьшение списания товаров.

Новые артикулы и новые магазины

Fozzy Group использует искусственный интеллект, чтобы запускать новые артикулы в продажу. При запуске анализируются различные параметры, в том числе: вес, вкус, цена и аудитория. Предположить, сколько такого товара будет продано, помогает data-science. Аналогично с открытием нового магазина, где с помощью data-science можно рассчитать и выбрать лучшую геолокацию. 

Эластичность цены 

Эластичность цены — важный критерий, который показывает, насколько можно повышать цену и как этот параметр повлияет на отток или приток продаж. Эластичность показывает, на сколько снижение цены стимулирует рост спроса. А неэластичность — это нечувствительность к цене (такие продукты как хлеб). 

Для чего нужна эластичность цены? 

• определение ценовой политики сети магазинов (кластера);

• промо;

• распродажа тяжелых запасов. Скидку сделать 25% или 30%? Например, искусственный интеллект мне может подсказать, что при 25%-скидке я могу продать такой же объем;

• распродажа уцененных товаров (сроки годности);

• реакция на инфляцию (пошаговое повышение цен);

• при оценке для поставок логистики. Например, мне нужно понимать, если я сделал скидку 30%, а обеспечит ли мне склад транспорт и вообще производитель этот объем, потому что я могу не отреагировать.

В чем отличается новый подход от старого подхода?

• присутствие data science;

• автоматический анализ;

• хорошая визуализация;

• структурированные данные;

• действие в реальном времени.

Модели, которые использует “Сильпо”, учитывают более 200 факторов. Из основных — день недели, сезонность, наличие остатков и новые запуски, геолокация, эластичность цены, параметры продуктов, конкуренты, уценки промо, “продуктовые связи” (например, если потребитель покупает Coca-Cola, вместе с ней он может купить чипсы). 

Data-science и окружающая среда

Согласно докладу ООН, компании выбрасывают 40% продуктов, в то время, когда в мире голодает более 1 млрд человек. В промышленных масштабах вылавливается около 151 млн тонн рыбы в год, при этом каждая вторая выловленная рыба выбрасывается.

С помощью data-science можно избежать излишек и лишней утилизации продукции. Искусственный интеллект поможет компаниям составить прогноз, сколько товара заказывать у поставщика, а также более качественно подходить к запуску новых артикулов в продажу. Таким образом, имея только нужные товары в необходимом количестве, компании могут уменьшить свое негативное влияние на окружающую среду.

Записал: Александр Шарипов 

Источник: Depositphotos