Как повысить точность прогноза промо-продаж до 86% и сделать планирование управляемым
Когда доля промо на FMCG-рынке перешла за 50%, компания столкнулась с проблемой, знакомой практически каждому крупному производителю – низкой точностью прогноза промо-продаж (50-60%). И с сопутствующими такому прогнозу потерями: перепроизводство, недопроизводство, проблемы с остаточными сроками годности.
Проблема качества прогнозирования оказалась системной:
- Компания опиралась только на свои исторические данные — фактически «смотрела через замочную скважину»;
- на полке условия менялись постоянно: глубина скидок конкурентов, количество SKU, динамика цен;
- добавлялись региональные различия и особенности конкретных сетей;
- на спрос влияли «жёлтые ценники», механики промо и пересечения акций сразу по нескольким позициям.
Эти факторы формировали поведение покупателя сильнее, чем любые прошлые продажи. Компания приняла решение полностью перестроить подход: перешли от «одномерного» прогноза к многопараметрической модели.
Компания совместно с компанией GMCS разработала модель, которая учитывает 50–70 предикторов:
- регулярную и промо-цену,
- глубину скидок самой компании и конкурентов,
- дистрибуцию,
- географию и формат сети,
- параметры самой акции (механика, периодичность, длительность),
- поведение покупателей по дням промо,
- конкурентные пересечения в конкретной категории и даже на конкретной полке
Провели глубокий анализ факторов, влияющих на спрос.
На этапе гипотез команда проверила:
- какие скидки реально поднимают продажи, а какие нет,
- как промо-эффект отличается по регионам,
- как распределяются продажи по дням акции,
- почему одни SKU реагируют кратным ростом, а другие — слабее (например, когда на полке одновременно идут несколько промо по категории).
Эти зависимости легли в основу будущей модели.
Перестроили саму механику прогнозирования.
Модель строилась итеративно по методологии CRISP-DM: гипотезы ➡️ анализ данных ➡️ моделирование ➡️ оценка качества ➡️ внедрение.
Компания использовала ансамблевые методы (XGBoost, случайный лес, цепи Маркова) и SPSS Modeler, чтобы уловить нелинейные зависимости в промо-эффекте и влияние SKU друг на друга
Создали архитектуру, позволяющую прогнозировать на 6 месяцев вперёд, максимальная эффективность прогноза — 21 день.
Система учитывает: данные от ритейлеров, уровни дистрибуции, ценовую историю, статистику продаж промо и обычных SKU, сезонность и сетевые особенности. Это позволило получать прогноз как по SKU, так и по регионам и отдельным акциям с автоматизированной очисткой данных и повторным обучением модели по мере накопления истории.
В результате компания получила:
- Повышения качества прогнозирования по всему ассортименту. Рост качества прогнозирования в среднем по SKU вырос до 76%
- Управляемость промо: качество прогнозов выросло до 86%. В результате: производство стало стабильнее, трейд-команда — точнее, сеть — довольнее.
- Компания ушла от интуитивных решений к системе управления по данным, которая видит всю полку, а не только собственные отчёты. Смотрите в карточках результаты в цифрах
В эпоху высокой промо-нагрузки точность прогноза крайне важна для устойчивости бизнеса. Кейс показывает: когда модель учитывает реальный контекст полки, компания получает не просто прогноз, а инструмент стратегического управления.
Источник: Telegram-канал сообщества CEO LAB