Прогнозирование маркетинговых акций: как выжить в дисконтных войнах?
Чем может помочь искусственный интеллект при прогнозировании эффекта промоакций в рознице?
Промоакции продолжают быть одним из значимых драйверов в розничной торговле. Между тем сложность развития этой формы продаж связана с трудностью их прогнозирования: ритейлеру обычно не так-то просто спланировать, сколько того или иного товара он сможет реализовать, наклеив на него ценник с дисконтом. Каковы же пути решения?
Российский потребитель, особенно в нынешний период падения доходов, любит скидки. Если еще относительно недавно в розничных сетях с дисконтом продавали порядка 20–30% товаров, то сейчас, по данным аналитической компании Nielsen, в среднем доля промо в продажах в России составляет 53%. При этом для некоторых видов товаров повседневного спроса этот показатель еще выше: например, по подсчетам Nielsen, стирального порошка по акциям в ушедшем году продали 79% от общего объема, растворимого кофе — 69%, чипсов — 57%.
Между тем с точки зрения прогнозирования эффективности маркетинговых акций такая тенденция — это настоящая «головная боль» ритейлера. Традиционные базовые продажи предприятия розничной торговли научились прогнозировать достаточно хорошо — точность современных систем, в которых широко используются в числе прочего технологии искусственного интеллекта, здесь часто достигает 80–90%. Однако в промо ситуация другая: здесь релевантность планирования того, сколько магазин на самом деле продаст, например того же стирального порошка или растворимого кофе, гораздо ниже, хорошо, если на уровне 30–40%.
Столь низкий процент точности связан с множеством факторов. Начнем с того, что скидки бывают разные. Одно дело снизить цену на 5–10%, другое — на 30–40%, эффект будет разный. Во-вторых, на эффект акции влияет не только скидка, у каждой промоакции есть еще так называемая «механика»: печать в каталоге, реклама на билбордах, всевозможные «купи одно, получи другое в подарок» и т.д. Неутомимые маркетологи изобретают все новые и новые механики промо, искусственному интеллекту за их фантазией угнаться тяжело. Кроме того, на эффективность промо влияют разные сопутствующие изменчивые условия. Важно, например, проводятся ли подобные акции у ближайших конкурентов: в случае если в магазине по соседству скидка будет больше, часть покупателей может уйти за товаром туда.
Или вот еще важный момент — так называемая «каннибализация продуктов». Понятно, что в большинстве случаев человек приходит в магазин, чтобы купить определенного вида товар, например макароны конкретной марки. Но вдруг клиент видит, что подешевели макаронные изделия другого вида и других марок, соответственно, повышается вероятность, что он вместо привычных макарон приобретет другие с дисконтом, а его любимый товар останется нетронутым на полке. Кроме того, увидев подешевевшие макароны, человек может отказаться и от другого продукта, за которым пришел, например от риса. Получается, что во время промо на одни товары спрос будет повышаться, а на другие в той же категории — падать. Так что спрогнозировать некие базовые продажи в промоакциях мало, надо еще понять, у каких товаров и сколько эти акции могут «отъесть».
Итак, какими же методами можно прогнозировать промо?
Проблема заключается в том, что стандартные модели машинного обучения, нейронные сети, которые сейчас на пике популярности, с такими задачами справляются плохо. Увы, красивые заявления о том, что, мол, мы сейчас создадим нейронную сеть, заложим туда данные, она всему обучится и будет выдавать нам правильный прогноз, на деле ничего не стоят.
Какие же пути решения здесь могут быть и что может повысить точность прогноза? Один из них — это создание так называемых структурных моделей. Человек задает структуру решения задачи, разбивая ее на подзадачи и решая каждую из них с помощью отдельного алгоритма из инструментария искусственного интеллекта. Например, на первом шаге строится алгоритм кластеризации, разбивающий товары категории на группы аналогов. Для каждой группы обучается модель, которая оценивает долю продаж каждого товара в ней в зависимости от цен, планируемых акций и прочих параметров. Отдельно разрабатывается модель прогнозирования спроса группы в целом с применением уже имеющихся технологий машинного обучения для прогнозирования спроса.
И еще важный момент для повышения точности прогнозирования в промо — это использование дополнительных источников данных. Например, всеобщая цифровизация сейчас помогает понять, что происходит в конкурирующих розничных сетях. Сейчас уже не нужно бегать по соседним магазинам и записывать в блокнот размер скидок, для того чтобы понять, какие промоакции там проходят. Информацию об этом можно получать из открытых источников в интернете. И хотя ритейлеры часто намеренно выкладывают в сеть данные о своих акциях в последний момент, все равно такую информацию можно собирать, для этого сейчас уже есть довольно действенные инструменты.
Не стоит забывать и про такой важный источник, как операторы фискальных данных. Эти данные обезличены: по закону оператор не имеет права передавать кому-либо сведения о продажах в конкретной сети. Здесь при умелой обработке можно получить ценную информацию о том, где и за сколько продается тот или иной товар.
Впрочем, даже использование упомянутых технологий и источников данных пока не позволяет говорить о том, что единый рецепт создания точного прогноза промоакций найден. С помощью всех перечисленных подходов удается достичь точности прогнозов на уровне 60, максимум 70%, и то если механики промо не меняются слишком часто. Нам еще придется набраться терпения, чтобы научиться точно прогнозировать спрос в периоды промоакций.
