Прогнозируем сезонные промоакции правильно

Прогнозируем сезонные промоакции правильно

Промоакция на сезонный товар в разгар сезона — хороший ход. Можно резко увеличить оборот и оттянуть покупателей у конкурентов. Но вот только прогнозировать объем таких продаж довольно сложно: при нехватке товара можно остаться с пустыми полками и потерять маржу. 

В этом году резкий переход на летний сезон в совокупности со снятием большинства ограничений, сопровождавших карантин, позволил продажам сезонных продуктов выйти на крейсерскую скорость практически без раскачки. Прогнозирование продаж в такой непростой период чревато невольными ошибками, а если в этот момент вы планируете еще и промоакцию, ваша задача усложняется в несколько раз. 

О том, как не допустить ошибок в расчетах при переходе из одного сезона в другой и не оказаться в ситуации, когда полки с квасом и холодильники с мороженым останутся пустыми, рассказал руководитель направления Retail Analytics компании GoodsForecast Кирилл Черников.

Чем опасна сезонность?

Для начала давайте разберемся, что такое сезонность и как ее выявить. Сезонность характеризуется колебаниями спроса, повторяющимися с определенной частотой (месяц, квартал, год) и зачастую вполне предсказуемыми (время года, праздники, крупные мероприятия). Если построить график зависимости продаж от времени, то амплитуда его колебаний как раз укажет на периоды изменения спроса из-за сезона.

Согласитесь, все кажется достаточно легко и просто, поэтому даже при резком сезонном переходе отреагировать на изменение регулярного спроса у большинства компаний получится вполне успешно. Но если речь идет о продажах во время проведения промоакций, то плечо их планирования длиной от нескольких недель до нескольких месяцев может создать в магазинах дефицит товара в начале сезона или излишки в конце.

Взглянув на динамику продаж по месяцам обозначенных ранее сезонных продуктов — кваса и мороженого, можно увидеть три явные фазы:

1. Взрывной рост (апрель, май).
2. Подъем на пик и стабилизация продаж (июнь, июль, август).
3. Выход из сезона (сентябрь).

Продажи в июне относительно апреля в среднем выше в 2,5 раза. И, наоборот, продажи в сентябре относительно июля ниже в 2 раза.

Похожая картина и для продуктов, у которых пиковым сезоном является зима. Ярким примером здесь являются цитрусовые:

Продажи активно растут в октябре, затем в ноябре — декабре стабилизируются.

Очевидно, что такая разница в спросе, накладываясь на плечо планирования промоакций, может сыграть злую шутку с прогнозом, оставив магазины у разбитого корыта в начале сезона и превратив золото в черепки в конце.

Итого прогноз продаж составлял 122 штуки. Фактически в период промоакции было продано в 1,5 раза больше — 183 штуки, то есть прирост относительно рассчитанных регулярных продаж составил 5,1 раза. Помимо того что снизилась маржинальность (61 шт. товара, закупленного ранее по регулярной цене, продали по промоцене), в конце акции наблюдался дефицит товара, соответственно, магазин потерял часть клиентов и продаж.

Как нивелировать влияние сезонности при планировании промоакций?

Для решения проблемы используются два основных подхода:

1. При прогнозировании эффекта (прироста продаж) будущей промоакции опираться на эффекты акций такого же временного периода в прошлом. Данный подход позволяет в достаточной степени точно спрогнозировать прирост продаж во время промоакции при условии, что переходы между сезонами в прошлом были максимально похожи на текущую ситуацию.

   В нашем случае, если бы использовались данные об эффектах только сезонных акций, рассчитанный предполагаемый прирост продаж составил бы 4,1 раза, соответственно, прогноз был бы 148 штук.

2. При расчете уровня текущих регулярных продаж, на который затем накладывается потенциальный прирост, на основании годового профиля продаж сети определять потенциальный переход в другой сезон до или во время проведения промоакции. Данный подход позволяет уйти от оценки эффектов сезонных промоакций и ориентироваться на общую динамику продаж сезонных продуктов.

   В нашем случае продажи кваса в середине июня относительно конца апреля были выше в 1,3 раза, то есть уровень регулярных продаж при прогнозировании непосредственно перед промоакцией был бы 47 штук, умножение на прирост в 3,4 раза дало бы прогноз 160 штук.

Как видим, описанные подходы по отдельности не дали бы требуемого эффекта: в обоих случаях наблюдается как минимум потеря маржинальности из-за продажи остатков, закупленных ранее по более высокой цене под регулярные продажи.

Поэтому оптимальным является использование комбинации данных подходов:

• сначала определяем уровень текущих регулярных продаж,

• затем определяем амплитуду колебаний спроса между периодом расчета и периодом промоакции, характеризующую переход между сезонами,

• рассчитываем коэффициент, который нивелирует возможную разность регулярных продаж в период планирования и период проведения промоакции,

• потом собираем информацию об исторических акциях, проходивших в тот же период года, что и планируемая, определяем их средневзвешенный эффект,

• и, наконец, определяем эффект будущей промоакции, используя нормированный уровень регулярных продаж и эффекты сезонных промоакций в прошлом.

В нашем случае нормированный уровень регулярных продаж в 47 штук, умноженный на прирост в 4,1 раза, сформировал бы прогноз продаж в период промоакции, равный 193 штукам: всего на 5% выше фактических, что является отличным результатом.

Какие инструменты могут помочь в прогнозировании промоакций с учетом сезонности?

Описанный комбинированный подход к прогнозированию продаж сезонных продуктов реализован в системе планирования и прогнозирования эффектов промоакций GoodsForecast.Promo. Кроме этого, система позволяет учитывать сезонность и для магазинов, продажи которых характеризуются сезонным колебанием трафика и спроса (например, расположенных в дачных поселках или вблизи объектов общественного досуга). 

Все продукты и торговые точки, являющиеся сезонными, а также коэффициенты изменения их спроса система определяет автоматически на основании истории продаж за несколько лет, периода проведения планируемой промоакции и периода, являющегося базовым для расчета прогноза.

В совокупности с такими учитываемыми факторами, как каннибализация спроса между похожими товарами в промоакции, а также восстановление дефицитов в исторических акциях, алгоритм системы, основанный на технологиях Machine Learning, позволяет получать стабильный и точный прогноз, из которого вытекают выполнение планов по продажам и маржинальности промоакций, а также сокращение списаний и избыточного запаса.

О компании: Российская компания GoodsForecast входит в ГК «Форексис», созданную в 2000 году на базе Вычислительного центра Российской академии наук. GoodsForecast специализируется на прогнозировании спроса и оптимизации процессов планирования для производителей, дистрибьюторов и торговых сетей с 2004 года, сначала в рамках департамента систем прогнозирования ГК «Форексис», а с 2013 года — как часть группы компаний. 

Является членом Консорциума в области технологий хранения и анализа больших данных и серебряным призером международного конкурса по прогнозированию М5 Forecasting Competition, который состоялся в 2020 году.

Источник:
Retail.ru

Также в этом номере журнала «Мобильная Торговля» №94, 12/2020:

• IR в Beluga Group: 19 вопросов о нейросетях для торгового аудита
• Как онлайн-продажа алкоголя повлияет на индустрию FMCG?
• Beluga: дорожная карта и результаты внедрения IR
• Как сделать IR зеркалом полки?
• Что мешает распространению цифромерча
• Как обойти систему контроля? 7 уловок полевых сотрудников
• Ferrero: краудаудит торговых точек
• ITOS: торговый аудит любым персоналом

Вам также могут быть интересны статьи:

• 
  Perfect Store Score: оптимизация продающей полки
• 
  Машинное обучение в ритейле: как алгоритм борется за клиента
• 
  Как провести промо и не навредить самому себе
• 
  Прогнозирование временных кубов
• 
  Эмпирический предел прогнозируемости