Прогнозирование сезонного спроса: скажите «нет» упущенным продажам и излишкам
Сезонность – это влияние различных факторов (погодные условия, температура, локальные традиции, календарные события и другие), повторяющихся с определенной периодичностью. Периодичность и сроки повторения факторов могут быть различными. К примеру, празднование Пасхи имеет переходящую дату. Некоторые товары приходится закупать непосредственно перед праздником ввиду их короткого срока хранения, или они должны быть представлены в сети на момент начала сезона. А вот планировать закупку таких товаров необходимо заблаговременно. Хотите стать тем самым брендом, в котором клиент будет уверен, найдёт все необходимое в период всех сезонных событий и будет возвращаться к вам за покупками снова и снова?
Давайте поговорим о том, как прогнозирование сезонного спроса помогает обеспечивать наличие всех «сезонных аксессуаров», продуктов и даже товаров категории fresh, и при этом не оставаться с излишками. Раскрываем секреты точных прогнозов. Итак, поехали!
Правильное прогнозирование сезонного спроса – ключ к успеху
Канцелярские принадлежности для школьной ярмарки, солнцезащитная серия и репелленты для летнего сезона, вкусная выпечка к празднику Пасхи – всё это товары с ярко выраженным сезонным спросом, которые пользуются популярностью у покупателей. Торговая сеть также готовится к сезонным событиям, и делает она это заблаговременно и по-особенному.
Как собственник или менеджер розничного бизнеса вы замечаете значительное увеличение спроса и продаж на некоторые товары. И точно не останетесь равнодушны к теме бесперебойных поставок в сезон. Ведь основная цель ритейлера – удовлетворить потребность покупателя в сезонных товарах.
Как продуктовый супермаркет рядом с вашим домом может оценить, сколько таких товаров будет куплено? Не говоря о том, что правильное прогнозирование сезонного спроса нужно сделать и для других магазинов региона и всей сети в целом. Более того, торговая сеть конкурирует со многими другими ритейлерами, которым также требуются аналогичные сезонные товары в одно и то же время.
Прогнозирование сезонного спроса обеспечивает торговой сети ряд преимуществ:
- бесперебойные поставки без образования излишков;
- сокращение расходов на обслуживание остатков;
- минимизация упущенных продаж;
- выгодные условия закупки у поставщиков;возможность сформировать интересное ценовое предложение для клиентов сети.
Стоит вспомнить о немалой группе свежих продуктов. Возможность приобрести фрукты, овощи, свежезамороженную рыбу, мясо и зелень привлекает посетителей в магазины розничной сети снова и снова. Прогнозирование спроса на скоропортящиеся продукты выполнить непросто, особенно, если в розничной сети не выстроены процессы управления товарами категории fresh. Однако качественные прогнозы повышают оборачиваемость средств, прибыль и увеличивают лояльность клиентов.
Приглашаем проверить бизнес-процессы пополнения и автозаказа: скачайте чек-лист «Управления цепочками поставок» и посмотрите, где и что можно улучшить.
Что должно учитывать прогнозирование спроса?
Мы уже говорили, что подготовка к сезонным событиям в торговой сети начинается заблаговременно. Уже за полгода ритейлер должен выполнить прогнозирование и определить необходимое количество сезонной продукции для заказа. Это позволяет рознице договориться с поставщиками о выгодной цене и сформировать выгодное ценовое предложение для клиентов сети.
В прогнозе сезонных товаров следует учитывать влияние факторов предыдущих периодов, рост товарооборота LFL (Like for like), проводившиеся promo, переключение спроса, эффекты гало и каннибализации, изменение пенетрации категорий и товаров. Отдельно следует заметить, что для продуктов категории fresh необходимо принимать во внимание сроки годности, распределение поставок по разным датам и на разные магазины.
В портфеле IRCG есть целая группа IT-решений для прогнозирования спроса, которые автоматизируют рутинные процессы и упрощают ведение бизнеса.
Из опыта работы команды можем отметить положительную тенденцию: все чаще розничные сети делятся данными прогнозирования спроса со своими постоянными крупными поставщиками и более мелкими местными для того, чтобы гарантированно обеспечивать потребности своего покупателя. Мы в команде уверены, что такое совместное использование данных и прогнозов объединяет усилия поставщиков и ритейлеров в привлечении покупателей. Именно об этом в своем выступлении говорил основатель IRCG Павел Щербаков на отраслевой выставке RAU EXPO – 2021.
От совместного использования данных из систем управления программами лояльности и систем прогнозирования спроса выигрывают обе стороны:
- для ритейлера – повышение уровня обслуживания поставщиков и удовлетворение потребностей покупателей через таргетированное предложение на полке;
- для поставщика – обеспечивается понимание, как его товары продаются в сети, какие факторы влияют на продажи.
Бизнес ритейла – единый механизм: полка отражает состояние логистики, а цепочка поставок отрабатывает прогнозы и результат обработки данных продаж из торгового зала. Хорошо, когда всё отлажено и слаженно работает. Такое возможно при качественном прогнозе, но выполнить точное прогнозирование вручную – трудозатратно и практически невозможно. Какие могут быть решения, давайте разбираться.
Появились вопросы о решениях для прогнозирования спроса или автозаказа? Задайте их нашим консультантам: пишите на почту [email protected] или жмите кнопку для заказа обратного звонка.
Традиционные системы прогнозирования спроса
Традиционные системы – это системы, основанные на статистических данных, использующие экспоненциальные модели. С традиционными системами сложно составить качественное прогнозирование потребительского спроса. И проблема в том, что они часто не оправдывают ожиданий. Что особенно заметно, когда речь идет о категории fresh. Это связано с множеством переменных факторов. К примеру:
- сложность способов совершения покупок (dark store, онлайн-покупки, службы доставок);
- погодные факторы или другие «события», которые мешают росту, производству и доставке товаров.
Когда специалисты по прогнозированию пытаются компенсировать эти факторы, им часто приходится вручную вносить правки. По сути вмешиваться в работу системы, которая на это не рассчитана. Как правило, возникают дорогостоящие ошибки для сети.
Например, розничная сеть заказала на период новогодних продаж свежие ананасы. По мере того как срок годности ананасов сокращается, магазин снижает розничную цену, и покупатели приобретают все оставшиеся ананасы. В традиционной системе прогнозирования отсутствуют возможности искусственного интеллекта или машинного обучения, которые могут легко оценить влияние уценки на будущий спрос на ананасы. В результате специалист по прогнозированию должен войти в систему и отметить, что продажи были результатом уценки. Если это сделано неправильно или вообще не сделано, система прогнозирования спроса считает, что на будущий период следует заказывать больше таких ананасов. Чем повторяет цикл товарных излишков и расходов на их обслуживание, с каждым годом усугубляя размеры.
Системы прогнозирования спроса на базе ИИ – максимальная точность прогнозов!
Искусственный интеллект (ИИ, AI) меняет правила игры в сфере прогнозирования спроса, в том числе и на сезонные товары. Решения на основе ИИ используют машинное обучение, которое производит вычисления экспоненциально быстрее и шире, чем когда-либо мог бы сделать человек.
Алгоритмы машинного обучения быстро обнаруживают закономерности и аномалии, которые часто ускользают от команд специалистов по обработке данных, давая пользователям оперативную информацию на их основании. Модели, использующие ИИ, предлагают лучшие варианты последующих действий, основанные на обучении, а не на интуитивных догадках, которые слишком часто генерируются профессионалами.
Предлагаем сравнить системы в таблице:
| Критерии сравнения | Традиционные системы прогнозирования | Решения на базе искусственного интеллекта (ИИ, AI) |
| Работа алгоритма | Если не изменять алгоритм расчётов, данные на выходе будут одинаковыми. | Модель, работающая на основе ИИ, перестраивается каждый раз с учётом вводимых данных. |
| Используемые данные | Системы в расчётах используют исторические данные, и достаточно сложно учитывать влияние внешних факторов. | Искусственный интеллект работает с большими массивами данных о клиентских потребностях, поведении, спросе. В прогнозировании использует массивные и сложные источники данных. |
| Способность обучаться | Система не способна обучаться, а только выполняет вычисления на основе исторических данных, потому не имеет возможности качественно оценить будущий спрос. | По мере того как алгоритм работает и обучается, он становится способен определять новые связи и закономерности, которые не может рассмотреть даже человек. |
Решения AI кардинально меняют роль специалистов–практиков в области прогнозирования спроса. Они освобождают их от утомительного ручного труда и позволяют сосредоточиться на более стратегических задачах. К тому же наряду с технологиями, модели на основе ИИ вносят вклад в более разумную и эффективную цепочку поставок. Ритейлер, принявший решение использовать прогнозирование спроса на основе ИИ, значительно сократит количество ошибок, отходов и повысит удовлетворенность клиентов за счет доступности продуктов и сезонных товаров на полке магазинов.
Точное прогнозирование спроса по всем категориям, включая сезонные товары и свежие продукты, которые становятся все более важными для потребителя, является ключом к увеличению продаж и росту прибыли ритейлера. В своей работе команда IRCG внедряет IT-решения на основе модулей, работающих на базе искусственного интеллекта. Такие системы учитывают покупательский спрос и причинно-следственные факторы, чтобы полностью охватить сложность сегодняшней цепочки поставок в рознице.
К тому же решения для прогнозирования спроса помогают сформировать предварительные планы по промопродвижению. Решения, работающие на базе ИИ, предназначены для максимизации дополнительных продаж и прибыли, а не просто повторять или корректировать прошлогодние планы промо.
Прогнозирование сезонного спроса повышает прибыль и сокращает расходы!
Спрогнозировать точное количество сезонных товаров непросто по причине многих составляющих прогноза. Нужно учесть множество факторов и их взаимное влияние. При составлении точных прогнозов без помощи искусственного интеллекта не обойтись. Однако максимально точные данные помогают сети наилучшим образом подготовиться к сезону: обеспечить необходимый запас продукции и лучшее ценовое предложение своим клиентам. Довольные потребители разбирают сезонные товары и покупают сопутствующие. Как результат, повышается оборачиваемость, снижаются остатки и затраты на их обслуживание.
Я надеюсь, вы разделяете мое мнение о том, что современная логистика очень сложна, а в нынешних условиях цепочки поставок нарушаются. К тому же не нужно забывать о влиянии множества других факторов, таких как перебои с поставками топлива, сменой поставщиков. В то же время меня, как специалиста, переполняет чувство гордости за технологичность решений, которые помогают прогнозировать спрос и направлять товары туда, где в них есть потребность. При этом системы позволяют минимизировать затраты и отходы, а также максимально повысить заботу о качестве продукции и здоровье потребителей.
Больше о решениях для прогнозирования спроса, оптимизации и автоматизации бизнес-процессов ритейла, об услугах аудита и консалтинга розницы узнавайте у наших консультантов: пишите на почту [email protected] или заполняйте форму ниже для заказа обратного звонка.
Автор статьи Антон Цемеров,
ERP Consultant International Retail Consulting Group
