В сфере FMCG точное прогнозирование спроса — это не просто полезный навык, а необходимость для выживания и процветания бизнеса.

Умение предвидеть потребности рынка позволяет компаниям оптимизировать планы заказов на производство, эффективнее управлять товарными запасами по всей цепочке поставок и максимизировать прибыль за счет потерь, связанных с профицитом или дефицитом по той или иной продукции. В статье разберемся, как эффективно прогнозировать спрос в FMCG-секторе и какие инструменты прогнозирования могут в этом помочь.

Особенности прогнозирования спроса в FMCG

Прогнозирование спроса в FMCG — это комплексный процесс, требующий учета множества факторов. Это и внешние факторы — например сезонность в спросе, и внутренние, которые планирует сама компания совместно со своими клиентами — промо или ввод новинок в федеральной торговой сети. Компаниям необходимо анализировать данные на разных уровнях: по товарным группам и SKU, по каналам продаж и по территориям, при этом горизонты исторических данных могут сильно разниться в зависимости от категорий товара, для которых производится расчет прогнозирования спроса.

Например, согласно отчету  NielsenIQ, в 2023 году наблюдалось существенное снижение объемов продаж косметики и бытовой химии в целом. Однако внутри этих категорий наблюдался рост продаж товаров в больших упаковках. Такие нюансы критически важны для производителей, которым необходимо вовремя уловить изменения в предпочтениях потребителей.

1.    Географический аспект прогнозирования

Одним из ключевых трендов 2023 года стала разница в уровне спроса на определенные группы товаров в разных регионах России. Эта тенденция подчеркивает важность географической детализации при прогнозировании. Показательный пример: в то время как по всей России рост натуральных продаж газированных напитков составил 5%, в Республике Башкортостан этот показатель достиг 20%. Такие региональные различия могут иметь решающее значение для планирования производства и дистрибуции.

2.    Учет типа торговых точек

При прогнозировании спроса нельзя игнорировать специфику различных форматов торговли. В 2023 году наблюдался активный рост продаж в хард-дискаунтерах, уступающий по динамике только онлайн-рынку. Успех хард-дискаунтеров объясняется несколькими факторами: более низкие цены за счет оптимизации издержек, политика «каждый день низкая цена» (EDLP), уникальный ассортимент и развитие собственных торговых марок.

Интересный факт: в то время как в минимаркетах 80% продаж упакованного печенья формируют 11 брендов, в хард-дискаунтерах этот показатель достигает 91 бренда. Такие различия в ассортименте и покупательском поведении необходимо учитывать при прогнозировании спроса.

Сложности прогнозирования  спроса

Прогнозирование спроса в FMCG-секторе сопряжено с рядом сложностей:

1. Многофакторность: необходимость учитывать множество переменных, от сезонности до маркетинговых активностей конкурентов.
2. Динамичность рынка: быстро меняющиеся тренды и предпочтения потребителей.
3. Разнородность данных: потребность в агрегации и анализе информации из различных источников.

Что может снижать точность прогноза?

Даже для самых продвинутых ML-алгоритмов (ML — Machine Learning — машинное обучение) нужны исторические данные. Если компания не агрегирует данные и не стандартизирует отчетность, построить прогноз может быть весьма сложно. Распространенный случай — за отчетность отвечает 10 сотрудников и у каждого свой шаблон Excel.

Да, учесть все факторы практически невозможно, но современные инструменты могут учесть очень многое — даже прогноз погоды. Пример — платформа Optimacros, которая предлагает инструменты для комплексного прогнозирования спроса:

• Гибкая детализация: возможность прогнозирования на различных уровнях (регион/канал продаж/клиент, товарная категория/бренд/SKU).
• Учет множества факторов: включая промо-акции, изменения цен, ввод новинок и выводы из ассортимента, рост АКБ (активной клиентской базы), погодные условия и сезонность.
• Машинное обучение: использование ML-алгоритмов для повышения точности прогнозов.
• Сценарное моделирование: анализ различных сценариев развития спроса.

Инновационные подходы в прогнозировании

Современные методы прогнозирования спроса выходят за рамки простого анализа исторических данных. Одним из перспективных направлений является кластеризация временных рядов. Этот подход позволяет выявлять схожие паттерны и тенденции в данных о продажах, обнаруживать аномалии и выбросы, повышать точность прогнозных моделей и проводить эффективную сегментацию рынков и потребителей.

Например, кластеризация данных о покупках может выявить группы клиентов с похожими паттернами поведения. Это позволяет компаниям разрабатывать более таргетированные маркетинговые стратегии и оптимизировать ассортимент под конкретные сегменты потребителей.

Прогнозирование спроса в FMCG-секторе — это сложный, но необходимый процесс, требующий учета множества факторов и использования передовых технологий. Компании, которые смогут эффективно анализировать рыночные тенденции и предсказывать поведение потребителей, получат значительное конкурентное преимущество.

Используя современные платформы, такие как Optimacros, FMCG-компании могут не только повысить точность своих прогнозов, но и оптимизировать всю цепочку поставок, от производства до конечных продаж. В условиях постоянно меняющегося рынка это ключ к устойчивому росту и успеху.