Как предиктивная аналитика помогает магазинам предугадывать спрос

Автоматизированные системы, построенные на методах математического моделирования, могут существенно улучшить функционирование ритейла и повысить маржинальность онлайн-магазина. Руководитель направления систем бизнес-аналитики BIA Technologies Станислав Воронин рассказывает, как предсказать спрос с точностью до единицы товара и времени оформления заказа.

Зачем прогнозировать спрос?

Чтобы ритейл-бизнес был эффективным и приносил прибыль, у компании должны быть отлажены закупки, складская логистика и доставка товара конечному потребителю. Всё это упирается в точное предсказание спроса: если мы знаем, какое количество конкретного товара будет куплено в определённый момент времени, мы сможем оценить необходимый объём предложения, не будем занимать складские площади горами невостребованной продукции, оптимизируем расписание поставок и ускорим исполнение всех заказов.

В сфере электронной коммерции сбалансировать спрос и предложение будет несколько проще, чем в офлайн-ритейле: компании не нужно обеспечивать наличие товара на полках всех торговых точек сети — достаточно лишь иметь нужное его количество на едином локальном складе.

Предиктивная аналитика

Конечно, определенные тенденции в колебаниях покупательского спроса можно предсказать интуитивно. Например, в преддверии Нового года заведомо возрастёт количество заказов на елочные игрушки, шампанское и продукты для приготовления оливье. А вот как спрогнозировать спрос на все другие группы товаров в остальное время года? Можете ли вы, например, сходу сказать, сколько наборов Lego или пакетов молока будет заказано в онлайн-магазине в следующую пятницу?

Чтобы у компании был ответ на этот вопрос, она должна внедрить инструменты предиктивной аналитики. Для решения задачи прогнозирования спроса используются две основные группы методов: классические методы на основе статистических функций и методы машинного обучения. Последние вышли сейчас на первый план и стали всё чаще применяться в ритейле. Их преимущество — в возможности заложить в модель сотни разнообразных факторов, помимо исторических данных об объёме продаж: например, фактор сезонности, уровень цен, данные о скидках, промоакциях, погоде, величине остатков, текущей рекламной активности, наличии или отсутствии товара у конкурентов. В процессе тестирования алгоритма специалист по машинному обучению анализирует влияние каждого фактора на выдаваемый компьютером результат и принимает решение о том, какие показатели стоит включить в модель.

Далее математическая модель обрабатывает все вводные данные и прогнозирует вероятность продажи с точностью до часа в разрезе каждой отдельной номенклатуры, информирует при выявлении отклонений и рассчитывает на основании спроса заказы на пополнение склада. В случае онлайн-магазина, модель может также анализировать влияние на продажи сроков доставки — то есть определять, какие категории товаров покупатели готовы ждать неделю, а какие — максимум день. Исходя из этого анализа, менеджеры будут продумывать логистику и необходимость увеличения числа распределительных центров.

Будущее eСommerce

Прогнозные модели уже широко применяются в крупных федеральных сетях офлайн-ритейла. Предиктивная аналитика помогает рассчитать оптимальное количество товара, чтобы он не залёживался, а у бизнеса всегда была выручка. Опыт показывает, что при грамотном использовании математических моделей, компании могут сократить средний объём замороженных оборотных средств аж на 30%.

Однако именно в онлайн-ритейле предиктивная аналитика может совершить качественную революцию — просто потому, что в интернете гораздо проще собирать детальную статистику о пользовательских предпочтениях. Если офлайн-магазины могут лишь предсказать суммарный спрос на определенный товар на основе чековой аналитики, онлайн-магазин может спрогнозировать потенциальный спрос каждого отдельного клиента на основе его цифрового следа.

Зная индивидуальный спрос, магазин может настроить таргетированную рекламу, сформировать эффективное ценностное предложение, предоставить покупателю персональные скидки на его любимые товары и рекомендовать ему купить товары из смежных категорий. Такой подход существенно повысит вероятность покупки, увеличит лояльность человека к ритейлеру и поможет магазину грамотно спланировать свои нагрузки.

Внедрение предиктивных моделей имеет реальный эффект, выраженный в цифрах. Возьмём для примера знаменитую американскую розничную сеть Macy’s. Компания ощутила на себе все преимущества предиктивной аналитики ещё в 2014 году: точное прогнозирование помогло Macy’s формировать более эффективные маркетинговые кампании на сайте, а также индивидуальные email-рассылки покупателям. В результате этих изменений онлайн-продажи выросли на 4%. Для сети такого масштаба это по-настоящему гигантская цифра.

И это ещё не всё — предиктивная аналитика также может лечь в основу динамического ценообразования в e-commerce. На основе тех же факторов (время года, активность конкурентов, индивидуальный цифровой след и т. д.), математическая модель предскажет не только уровень спроса, но и цену, по которой потребитель готов купить тот или иной товар в определенный момент времени.

Можно с уверенностью сказать, что распространение предиктивных систем в ближайшем будущем совершенно изменит не только розничный бизнес, но и наш опыт как обычных покупателей.