Если спрос переоценили, растут излишки и списания. Но даже точный прогноз по всей категории может скрыть дефицит отдельного SKU в конкретной сети: решает детализация по товарам, каналам и срокам.
Машинное обучение (ML) помогает строить прогноз с учетом промо, цены, сезонности и других доступных факторов. Разберем, что именно может рассчитать ML-модель для FMCG, как учитывать каннибализацию и связанные товары, какие данные нужны и как проверить прогноз на практике.
Что такое ML в FMCG
ML в FMCG — это применение алгоритмов машинного обучения к продажам, запасам, промо, ценам, ассортименту и поведению покупателей. Модель анализирует исторические данные, находит закономерности и помогает прогнозировать будущие значения: спрос, продажи, вероятность дефицита, эффект промо или риск каннибализации.
Если описать проще, машинное обучение в FMCG помогает компании ответить на пять практических вопросов:
- какой спрос будет на товар в конкретном канале и регионе;
- какие факторы сильнее всего влияют на продажи;
- как промоакция изменит базовые продажи и маржу;
- какие товары конкурируют друг с другом внутри категории;
- какие товары покупают вместе и можно ли усилить их совместные продажи.
Прогноз модели — вход в планирование, а не готовое решение о закупке или выпуске. Объем заказа зависит также от текущих запасов, сроков поставки, производственных ограничений и цели по уровню сервиса.
Почему прогнозирование спроса стало ключевой задачей FMCG
Прогнозирование спроса оценивает будущую потребность в товаре. История продаж — важный источник данных, но не всегда отражает весь спрос: если товара не было на полке, покупатели не могли его купить. При обучении ML-модели периоды дефицита нужно отмечать отдельно, иначе она рискует принять отсутствие продаж за отсутствие спроса.
На прогноз влияют десятки факторов:
- сезонность и календарные пики;
- промоакции и скидочные механики;
- вывод новинок и снятие товаров с полки;
- активность конкурентов;
- погода и региональные особенности;
- доступность товара в торговых точках;
- цена, ценовой сегмент и эластичность спроса;
- маркетинговые кампании;
- поведение сетей и дистрибьюторов;
- изменения в ассортиментной матрице.
Простые статистические методы часто подходят стабильным товарам и остаются полезной точкой сравнения. ML имеет смысл там, где прогноз зависит от сочетания факторов: например, цена меняется одновременно с промо, сезонностью и ассортиментом сети. Более сложная модель не обязательно точнее: ее нужно сравнивать с действующим способом прогноза на одинаковых периодах и товарах.
Детализацию выбирают под решение: прогноз по категории годится для оценки общего объема, но для поставки в сеть может понадобиться разрез по SKU, клиенту, региону и неделе. Слишком мелкий разрез при редких продажах, наоборот, делает оценку нестабильной. Подробнее о факторах спроса без привязки к ML — в статье как прогнозировать спрос в FMCG.
Где AI и ML применяются в FMCG и ритейле
Для производителя FMCG в этой задаче важны прогноз спроса, оценка акции, связь с запасами и решения по ассортименту. Персонализация покупателей и автоматическое изменение цен тоже относятся к AI в ритейле, но требуют других данных и процессов; здесь их не смешиваем с прогнозированием.
Основные направления:
- Прогнозирование спроса
ML-модели рассчитывают будущие продажи с учетом истории, сезонности, промо, цен, остатков и внешних факторов. Такой прогноз помогает планировать производство, закупки, логистику и запасы. - Планирование промо
ML помогает оценить возможный дополнительный объем от акции и проверить, не перераспределился ли спрос между периодами или товарами. Для расчета ROI нужны также скидки, затраты и сопоставимый сценарий без акции. - Оптимизация запасов
Прогноз спроса связывается с остатками, сроками поставки, ограничениями склада и целевым уровнем сервиса. Компания видит, где возможен дефицит, а где формируется излишек. - Управление ассортиментом
ML помогает оценивать вклад SKU в категорию, находить слабые позиции, анализировать новинки и учитывать связи между товарами. Это особенно важно для категорий с высокой конкуренцией за место на полке.
Как ML улучшает планирование спроса
Планирование спроса в FMCG не сводится к одному прогнозу продаж. Компании нужно согласовать прогноз с коммерческим планом, промо-календарем, производством, закупками, логистикой и финансами. Если эти контуры живут отдельно, план быстро теряет управляемость.
Полезно разделять два расчета. Базовый прогноз показывает ожидаемые продажи без дополнительной акции; прогноз с промо оценивает продажи при заданной скидке, периоде и ассортименте. Разница между ними — оценка возможного дополнительного объема, но ее нельзя автоматически считать доказанным эффектом акции.
Модель может учитывать сезонность, цены, промо-календарь, остатки и особенности канала. Затем планировщик проверяет, хватит ли товара для предполагаемого спроса и что произойдет при смене механики акции. Если цена, доступность товара или состав ассортимента в будущем неизвестны, сценарий нужно задавать явно, а не выдавать его за безусловный прогноз.
Чтобы оценить пользу ML, сравните его с текущим планом и простым базовым методом на периодах, которые не использовались для обучения. Смотрите не только среднюю ошибку по категории, но и результат по важным SKU, сетям и промонеделям.
Каннибализация продаж: почему ее важно учитывать
Каннибализация возникает, когда рост продаж одного товара происходит за счет падения продаж другого товара той же компании. В FMCG это частая ситуация: новая упаковка, промо на соседний SKU или вывод продукта с похожим позиционированием могут не увеличить категорию, а перераспределить продажи внутри нее.
Без учета каннибализации компания может переоценить эффект новинки или промоакции. На уровне отчета один SKU показывает рост, но общий результат категории почти не меняется. При этом растут скидки, логистическая сложность, остатки и нагрузка на производство.
ML помогает анализировать каннибализацию по нескольким признакам:
- как меняются продажи похожих SKU при запуске промо;
- какие товары теряют объем после вывода новинки;
- есть ли прирост категории или только перераспределение внутри нее;
- какие клиенты и регионы сильнее реагируют на замену товара;
- как меняется маржинальность при переключении спроса.
В Optimacros учет каннибализации можно встроить в модель прогнозирования спроса и планирования промо. Это помогает FMCG-компаниям оценивать не только валовый прирост продаж по акции, но и реальный вклад промо в категорию, маржу и план производства.
Комплементарность товаров: как находить скрытые связи в ассортименте
Комплементарность — это связь между товарами, которые покупают вместе или продажи которых усиливают друг друга. В FMCG такие связи не всегда очевидны. Например, спрос может расти не только у классических пар вроде кофе и молока, но и у сезонных сочетаний, которые проявляются в отдельных регионах или каналах.
Для проверки совместных покупок нужны данные чеков или корзин: совпадающий рост отгрузок двух SKU сам по себе не доказывает, что их покупают вместе. На агрегированных продажах можно искать совместную динамику, но ее следует проверять с учетом сезона, промо и доступности товара. Такой анализ помогает:
- формировать совместные промоакции;
- точнее планировать запасы связанных товаров;
- повышать эффективность выкладки и категорийного управления;
- учитывать сезонные наборы товаров;
- видеть, какие SKU поддерживают продажи друг друга.
Как AI помогает управлять промоэффектами
Промоакции в FMCG часто дают видимый рост продаж, но не всегда дают прибыльный рост. Часть спроса может быть перенесена из будущих периодов. Часть продаж может прийти за счет снижения цены, а не за счет реального прироста объема. Часть эффекта может быть съедена каннибализацией внутри категории.
Анализ промо должен отделять базовый спрос от продаж во время акции. ML может помочь оценить компоненты эффекта, если сохранены цены, условия акции, доступность товара и данные для сравнения с периодом без промо:
- базовые продажи без акции;
- дополнительный объем от промо;
- перенос спроса из будущих периодов;
- влияние скидки на маржу;
- эффект каннибализации;
- рост связанных товаров;
- остаточный эффект после завершения акции.
Это оценка, а не автоматическое доказательство причины роста: сезонность, акции конкурентов и отсутствие товара могут исказить сравнение. Результат нужен не только маркетингу — он влияет на производство, закупки, логистику и финансы. Если промо запланировано без учета реального спроса и запасов, компания может получить дефицит в пиковый период или избыток товара после окончания акции.
В Optimacros сценарное моделирование помогает заранее сравнить варианты промо: например, изменить глубину скидки, период акции, набор SKU, регион или канал. Это позволяет принимать решения до запуска кампании, а не разбирать последствия после закрытия периода.
Что меняется в управлении запасами
Запасы в FMCG зависят от качества прогноза. Если прогнозирование спроса работает плохо, компания либо держит избыточный страховой запас, либо регулярно сталкивается с out-of-stock. В обоих случаях страдает финансовый результат.
ML помогает связать прогноз спроса с управлением запасами:
- рассчитать потребность в товаре на уровне SKU и канала;
- увидеть риск дефицита до того, как товар закончится;
- определить товары с высоким риском списания;
- учитывать сроки годности и скорость оборачиваемости;
- планировать поставки под промо и сезонные пики;
- согласовывать запасы с производственным и финансовым планом.
Для FMCG это особенно важно из-за сроков годности части товаров, высокой роли промо и требований торговых сетей к наличию продукции.
Как Optimacros применяет ML в FMCG-планировании
В опубликованной модели планирования спроса и промо в FMCG показаны прогноз на основе исторических данных и согласование промо-плана. Другая модель — прогнозирование спроса и продаж товаров повседневного спроса — описывает сценарии промо с учетом каннибализации. Это примеры моделей, а не подтверждение того, что любая функция будет работать без настройки данных и правил конкретной компании.
Возможности платформы для статистического и ML-прогноза описаны отдельно на странице прогнозирования спроса в Optimacros.
Команды могут работать с прогнозом в понятных интерфейсах:
- смотреть прогноз и факт по SKU, клиентам, каналам и регионам;
- анализировать отклонения и причины изменений;
- сравнивать сценарии промо;
- учитывать ограничения производства и поставок;
- видеть влияние решений на выручку, маржу и запасы;
- согласовывать план между коммерцией, supply chain и финансами.
В этой части статьи речь о том, как использовать рассчитанный прогноз. Подробный порядок пилота, распределение ролей и передачу результата в IBP разбираем отдельно: как внедрять AI и ML в FMCG.
Какие данные нужны для ML-прогнозирования
Качество ML-прогноза зависит от качества данных. Для FMCG обычно нужны не только продажи за прошлые периоды, но и более широкий набор факторов.
Базовый набор данных:
- исторические продажи;
- остатки и out-of-stock;
- цены и скидки;
- промо-календарь;
- каналы продаж и клиенты;
- регионы и торговые точки;
- товарная иерархия;
- сроки годности и логистические ограничения;
- календарные события и сезонность;
- данные о запуске новинок и выводе SKU;
- финансовые показатели: выручка, маржа, бюджет промо.
Важен не максимальный объем данных, а их пригодность для решения. Если в истории нет скидок, отсутствия товара или изменений ассортимента, модель может принять эффект акции либо пустой полки за изменение обычного спроса. Показатели, ставшие известными только после даты прогноза, нельзя использовать при проверке качества модели на прошлом периоде.
Как оценивать эффект AI и ML в FMCG
Эффект от AI и ML стоит оценивать не только по точности прогноза. Точность важна, но бизнесу нужны управленческие результаты.
Полезные показатели:
- точность прогноза спроса;
- снижение out-of-stock;
- сокращение излишних запасов и списаний;
- рост ROI промоакций;
- снижение времени на подготовку планов;
- повышение сервиса для торговых сетей;
- рост маржинальности категорий;
- скорость пересчета сценариев;
- доля решений, принимаемых на основе единой модели.
Сравнивайте ML с действующим способом планирования на одинаковых товарах, горизонтах и периодах. Отдельно оценивайте обычные недели и промо, а также систематическое завышение или занижение прогноза. Бизнес-показатели — дефицит, списания, маржа — зависят не только от алгоритма, поэтому без сопоставимого периода или контрольной группы улучшение нельзя приписывать именно ML.
Частые вопросы об AI и ML в FMCG
Что такое ML в FMCG простыми словами?
ML в FMCG — это использование машинного обучения для анализа продаж, спроса, запасов, промоакций, цен и ассортимента. Модель ищет закономерности в данных и помогает прогнозировать будущие продажи, риски дефицита, эффект промо и связи между товарами.
Чем AI отличается от ML в задачах FMCG?
AI — более широкий термин для интеллектуальных систем, которые помогают анализировать данные и принимать решения. ML — часть AI, которая обучается на исторических данных и строит прогнозы. В FMCG чаще всего практическую ценность дают именно ML-модели прогнозирования спроса, промо и ассортимента.
Какие задачи FMCG лучше всего подходят для машинного обучения?
Лучше всего подходят задачи с большим объемом исторических данных: прогнозирование спроса, планирование промо, анализ каннибализации, поиск комплементарных товаров, оптимизация запасов, сегментация клиентов и оценка эффекта скидок.
Как ML помогает планировать промо?
ML помогает отделить базовые продажи от дополнительного промоэффекта, оценить влияние скидки на маржу, учесть каннибализацию внутри категории и спрогнозировать спрос на связанные товары. Это помогает выбирать промо-механики с лучшим вкладом в прибыль, а не только в объем продаж.
Какие данные нужны для прогноза спроса в FMCG?
Нужны исторические продажи, цены, скидки, промо-календарь, остатки, out-of-stock, каналы продаж, регионы, товарная иерархия, данные о новинках, сезонность и финансовые показатели. Полноту и качество данных нужно проверять по конкретной задаче: лишние поля не заменят сведения о пропущенном промо или отсутствии товара на полке.
Как Optimacros помогает FMCG-компаниям использовать ML?
Optimacros помогает встроить ML-прогнозирование в единый процесс планирования. Платформа связывает прогноз спроса, промо, ассортимент, запасы, производство, логистику и финансы, чтобы команды могли сравнивать сценарии и принимать решения на основе одной модели.
Главное
ML-прогнозирование в FMCG полезно там, где для решения нужно учитывать одновременно историю продаж, промо, цену, сезонность и доступность товара. Оценивайте модель не по обещанному проценту улучшения, а в сравнении с действующим планом: на нужной детализации и в тех неделях, когда ошибка дорого обходится бизнесу.
Прогноз остается входом в решение. Чтобы скорректировать выпуск, запасы или акцию, его нужно сопоставить с ограничениями поставок и финансовыми последствиями. Именно здесь расчет связывается с общим циклом планирования.
