Як Data Science допомагає при виборі місця для магазину та формуванні SKU. Рекомендації Fozzy Group

Директор Офісу прогнозування Fozzy Group Максим Тіпухов на вебінарі "Case Study з прогнозування" від Hack4Retail розповів про актуальні інструменти прогнозування на прикладі Fozzy Group. Retailers оприлюднює основні витримки його виступу.

---

 

"Дерево прийняття рішень"

CDT (Customer Decision Tree) — це інструмент, який показує які продукти вибирає покупець у магазині, на чому ґрунтується його вибір та які альтернативи йому запропонувати у разі відсутності необхідного товару. Для складання точного прогнозування використовується data science. При виборі товару клієнт звертає увагу на такі параметри: вид, приналежність, склад, ціна, бренд і т.д. Нижче наведено приклад клієнтського дерева прийняття рішень при виборі йогурту та арахісової пасти.

 

Фото: скріншоти з презентації Максима Тіпухова

Метрики

Є низка певних метрик, які застосовуються визначення точності прогнозування.

MAD (mean absolute deviation) - формула, яка показує різницю між тим, скільки було спрогнозовано і скільки продано. Метрика допомагає оцінити ефективність моделі магазину. Чим більше MAD, тим гірша точність прогнозування.

MAPE (Mean Absolute Percent Error) – це показник точності прогнозування. WMAPE (Weighted Mean Absolute Percentage Error) — майже такий самий показник як і MAPE, але з урахуванням факторів, що стримують. Наприклад, ви намагаєтеся передбачити збиток, але відсоток втрат має бути зважений з обсягом продажів, тому що збитки від величезного продажу потребують кращого прогнозування.

Одна з важливих метрик - це Bias (англ. - Зміщення) демонструє на скільки і у який бік прогноз продажів відхиляється від фактичної потреби. Якщо ви недопрогнозуєте, ви стикаєтеся з порожніми полицями, якщо ви перепрогнозуєте — у вас великі залишки та списання товару як наслідок.

Навіщо це все потрібно? Для того щоб гість був задоволений. З погляду бізнесу це впливає на зменшення залишків, на зниження out-stock, і найкритичніше на сьогоднішній день — це зменшення списання товарів.

Нові артикули та нові магазини

Fozzy Group використовує штучний інтелект, щоб запускати нові артикули у продаж. Під час запуску аналізуються різні параметри, у тому числі: вага, смак, ціна та аудиторія. Припустити, скільки такого товару буде продано, допомагає data-science. Аналогічно з відкриттям нового магазину, де за допомогою data-science можна розрахувати та вибрати найкращу геолокацію.

Еластичність ціни

Еластичність ціни - важливий критерій, який показує, наскільки можна підвищувати ціну і як цей параметр вплине на відтік чи приплив продажів. Еластичність показує, наскільки зниження ціни стимулює зростання попиту. А нееластичність – це нечутливість до ціни (такі продукти як хліб).

Навіщо потрібна еластичність ціни?

• визначення цінової політики мережі магазинів (кластера);
  
  
• промо;
  
  
• розпродаж важких запасів. Знижку зробити 25% чи 30%? Наприклад, штучний інтелект мені може підказати, що при 25% знижці я можу продати такий самий обсяг;
  
  
• розпродаж знижених у ціні товарів (строки придатності);
  
  
• реакція на інфляцію (покрокове підвищення цін);
  
  
• при оцінці для постачання логістики. Наприклад, мені потрібно розуміти, якщо я зробив знижку 30%, а чи забезпечить мені склад транспорту та взагалі виробник цей обсяг, тому що я можу не відреагувати.

У чому вирізняється новий підхід від старого підходу?

• присутність data science;
  
  
• автоматичний аналіз;
  
  
• гарна візуалізація;
  
  
• структуровані дані;
  
  
• дії у реальному часі.

Моделі, які використовує "Сільпо", враховують понад 200 факторів. З основних - день тижня, сезонність, наявність залишків та нові запуски, геолокація, еластичність ціни, параметри продуктів, конкуренти, уцінки промо, "продуктові зв'язки" (наприклад, якщо споживач купує Coca-Cola, разом з нею він може купити чіпси).

Data-science та навколишнє середовище

Згідно з доповіддю ООН, компанії викидають 40% продуктів, тоді як у світі голодує понад 1 млрд людей. У промислових масштабах виловлюється близько 151 млн тонн риби на рік, при цьому кожна друга виловлена ​​риба викидається.

За допомогою data-science можна уникнути надлишків та зайвої утилізації продукції. Штучний інтелект допоможе компаніям скласти прогноз, скільки товару замовляти у постачальника, а також якісніше підходити до запуску нових артикулів у продаж. Таким чином, маючи лише потрібні товари у необхідній кількості, компанії можуть зменшити свій негативний вплив на довкілля.

Записав: Олександр Шаріпов

Джерело: Depositphotos