03 грудня 2021

Чим може допомогти штучний інтелект під час прогнозування акцій у роздрібній торгівлі?

Штучний інтелект має застосування в різних сферах, взяти хоча б, наприклад, безпілотні автомобілі. Завдяки цим технологіям комп'ютери можна «навчити» виконувати певні завдання за допомогою обробки великого обсягу даних та виявлення в них закономірностей. Так, штучний інтелект дає змогу автоматизувати повторювані процеси навчання та пошуку за рахунок використання даних, здійснює глибший аналіз великих обсягів даних за допомогою нейромереж з безліччю прихованих рівнів, дає можливість отримати максимальну користь з даних і досягти високого рівня точності. А який ефект може мати використання штучного інтелекту під час прогнозування, читайте в статті.

Через коронавірус продаж цілих сегментів на ринку сповільнився або зовсім має від’ємний результат, оскільки змінилися або ж зникли ситуації й підходи до споживання цих товарів. При цьому споживач став менш схильний до ризику й налаштований на пошук вигоди. У зв'язку з чим виробники та рітейлери переглядають промостратегії і механізми ціноутворення, щоб зробити «промогонку» збалансованою та ефективною.

Промоакції продовжують бути одним із значних драйверів у роздрібній торгівлі, але складність розвитку цієї форми продажів пов'язана з труднощами їх прогнозування: рітейлеру зазвичай не так просто спланувати, скільки того чи іншого товару він зможе реалізувати, наклеївши на нього цінник із дисконтом. Основна проблема планування промо полягає у його низькій релевантності. Прогнозувати промо-продажі, спираючись лише на історичні дані продажу, все одно, що розглядати слона через мікроскоп. Необхідно дивитися на доступні дані в комплексі та використовувати інтелектуальний підхід до їх вивчення.

Традиційні базові продажі рітейлери навчилися прогнозувати досить добре — точність сучасних систем, у яких широко використовуються серед іншого технології штучного інтелекту, часто сягає 80–90 %. Однак у промо ситуація інша: тут релевантність планування того, скільки магазин насправді зможе продати, наприклад, того ж прального порошку або розчинної кави, набагато нижча.

Низька точність пов'язана із безліччю чинників. Почнемо з того, що знижки бувають різні. Одна річ знизити ціну на 5–10 %, інша — на 30–40 %, ефект буде різний. По-друге, на ефект акції впливає не лише знижка, кожна промоакція має ще так звану «механіку»: друк у каталозі, рекламу на білбордах, всілякі «купи одне, отримай інше в подарунок» тощо. Невтомні маркетологи винаходять все нові й нові механіки промо, а математичним моделям, які досить широко використовуються у прогнозуванні в наш час, майже не можливо підлаштуватися під їхню фантазію. Крім того, на ефективність промо впливають різні супутні мінливі умови, наприклад, чи проводяться подібні акції в найближчих конкурентів: якщо в магазині поряд знижка буде більшою, частина покупців може піти за товаром туди.

Або ще важливий момент — так звана «канібалізація продуктів». Зрозуміло, що в більшості випадків людина приходить до магазину, щоб купити певний вид товару, наприклад, спагеті конкретної марки. Але раптом клієнт бачить, що подешевшали спагеті іншого виду та інших марок, відповідно, підвищується ймовірність, що він замість звичних спагеті придбає інші з дисконтом, а його улюблений товар залишиться недоторканим на полиці. Крім того, побачивши спагеті, що подешевшали, людина може відмовитися і від іншого продукту, за яким прийшла, наприклад від рису. Виходить, що під час промо на одні товари попит підвищуватиметься, а на інші в тій же категорії падатиме. Так що спрогнозувати деякі базові продажі в акціях замало, треба ще зрозуміти, у яких товарів і скільки ці акції можуть «відкусити».

Отже, якими методами можна ефективно прогнозувати промо?

Знання математики ще не кому не заважало, але, як показав досвід, дорослі забувають навіть базові математичні формули та поняття. Складні математичні моделі побудови прогнозів використовують так само складний математичний апарат. На практиці використовується поєднання математичного та експертного прогнозу. Математична модель може добре враховувати системні (повторювані) події та тенденції, проте решта чинників не піддається прогнозуванню з використанням математики. Щоб експерт правильно коригував дані математичної моделі, він повинен розуміти, що вона вже врахувала. Трудовитрати в цьому випадку зростають у геометричній прогресії, а ефективність прогнозів все ще залишається на низькому рівні.

Іншій підхід, це створення так званих структурних моделей. Людина задає структуру розв'язання задачі, розбиваючи її на підзавдання та вирішуючи кожну з них за допомогою окремого алгоритму з використанням інструментарію штучного інтелекту. Наприклад, на першому етапі будується алгоритм кластеризації, що розбиває товари категорії на групи аналогів. Для кожної групи навчається модель, яка оцінює частку продажів кожного товару в ній залежно від цін, запланованих акцій та інших параметрів. Окремо розробляється модель прогнозування попиту групи загалом із застосуванням вже існуючих технологій машинного навчання прогнозування попиту.

Прикладом такого підходу є рішення «FORECAST AI PROMO» від компанії U&Sluno, що дає змогу прогнозувати приріст продажів на товар порівняно з регулярним потоком. Це реалізується за допомогою машинного навчання. Відбувається так зване «навчання з вчителем». У ролі «вчителя» виступають історичні дані про продаж, раніше проведені акції з різним наповненням та механіками. Інструмент оснащений можливостями штучного інтелекту, що допоможуть вам прогнозувати майбутні продажі та відповідним чином планувати стратегії просування. Рішення перетворює структуровані та неструктуровані «Big data» у практичні ідеї та рекомендації і дає можливість менеджерам приймати рішення на основі такого глибокого аналізу.

Якщо вас зацікавила програма «FORECAST AI PROMO» або необхідні інші прогресивні ІТ-рішення для ефективного розвитку бізнесу та оптимізації ресурсів, звертайтеся за тел.: +38(050) 919 85 92.

Email: ashcherbakov@u-sluno.cz

Сайт компанії: www.u-sluno.cz

Читайте також: Прогнозування промо: міф чи реальність