Как предиктивная аналитика трансформирует промостратегии в FMCG: взгляд изнутри

Несмотря на то что существуют универсальные принципы и стратегии ценообразования, каждый случай запуска промо требует выбора специфической комбинации факторов для достижения максимальной эффективности кампании. В таких условиях предиктивная аналитика, основанная на ML-моделях, становится незаменимым инструментом, который помогает не только анализировать прошлые акции, но и прогнозировать их будущую эффективность. Команда ProSpace вместе с data-science экспертом в области промо Михаилом Коломасовым подготовила материал про то, почему и как стоит использовать ML-моделирование в управлении промоактивностями.

Точность планирования на всех уровнях – один из ключевых вопросов, с которыми сталкивается менеджмент производственных компаний. В среднем до 43% товаров FMCG продается со скидкой, и низкая предсказуемость объемов продаж и прибыли препятствует получению четкой картины конечного финансового эффекта, что не только не позволяет распределять деньги в сторону наиболее эффективных стратегий, но и может спровоцировать разрыв между планом продаж и планом производства, приводя к дополнительным издержкам.

Сложность в определении оптимальной глубины скидки, периода и длительности промоакций также является значительным вызовом. Без специальных инструментов трудно глубоко проанализировать исторические данные и предсказать экономический эффект конкретной акции. Часто сотрудники полагаются на интуицию, что приводит к недополучению выгоды или даже к потерям. Эти вызовы подчеркивают значимость данных и аналитики в современном бизнесе. Компании, которые умеют эффективно использовать данные, получают конкурентное преимущество.

Многие FMCG-компании уже широко используют Data-based аналитику – на регулярной основе собирают данные, организуют их хранение, обрабатывают и визуализируют их с помощью BI-систем. Даже это дает бизнесу большое преимущество – помогает рассчитать среднюю ценовую и промоэластичность для разных категорий SKU и принимать более информированные решения. ML, моделирование и оптимизация – следующий этап работы с данными.

С помощью дескриптивной аналитики мы можем посмотреть, какие промо у нас были в прошлом, оценить эффективность каждого и сделать предположение, что мы сможем воспроизвести необходимый положительный эффект в будущем, повторив характеристики успешных промоакций.

Точность этого предположения неизвестна, потому что человек учитывает лишь ключевые факторы, такие как скидка и пересечение акций, но не способен охватить все – инфляцию, цены конкурентов, эффект каннибализации. Машинное обучение может сделать это за него. Если модель обучена на достаточном и непротиворечивом наборе данных, она сможет точно прогнозировать результаты промо, включая uplift, ROI и P&L. Это позволит оценить эффективность акции точнее, чем человек.

Предиктивная аналитика, основанная на ML-моделях, позволяет не только анализировать прошлые акции, но и прогнозировать их будущую эффективность, что делает ее незаменимым инструментом в арсенале FMCG-компаний. ML-модели анализируют огромные массивы данных, включая исторические продажи, сезонные тренды и потребительские предпочтения, чтобы предсказать, какие параметры промоакции (глубина скидки, длительность, время проведения) приведут к максимальной эффективности.

ML-модели значительно повышают точность прогнозирования промоакций, но их эффективность зависит от качества и объема данных, специфики бизнеса и целевого значения точности, который задает компания при разработке: одна модель может давать около 40% ошибок, а другая – 20%. Однако модели не всесильны – они хорошо работают в рамках известных данных, но могут давать сбои при резких изменениях рынка.

Например, если компания всегда использовала скидку 15–25%, модель сможет предсказать эффект от 20%-ной скидки с высокой точностью. Но если внезапно увеличить скидку до 45%, прогноз окажется неточным, так как у модели нет подобных примеров в обучающей выборке. Решение – постепенное расширение пула данных. Как в «Матрице», где Нео загружает в мозг навыки пилотирования, ML-модель «учится» на новых данных. После нескольких акций с 40–45%-ной скидкой она уже сможет точнее прогнозировать ее эффект в будущем.

Для стабильной работы модели важно обеспечить достаточный объем данных. По опыту наших data-scientists для сезонных товаров требуется минимум три года истории, чтобы учесть повторяющиеся паттерны, для несезонных – 1,5 года. Если данных меньше трех месяцев, модель не даст качественного прогноза, и в таких случаях лучше полагаться на экспертные оценки.

Выбор модели зависит от объема данных. ML – это инструмент, который усиливает аналитические возможности бизнеса, но требует грамотного подхода к обучению и интерпретации результатов.

При менее чем 100 записях эффективны статистические методы, например, линейная регрессия. При 100–10 000 строках лучше работают ML-модели, такие как градиентный бустинг, учитывающие сложные зависимости. Нейросети оправданны при объемах свыше 10 000 записей, но их применение целесообразно только при действительно больших данных.

Таким образом, сложность модели должна соответствовать объему данных: избыточно мощные алгоритмы при малых выборках не только не улучшают прогноз, но могут снизить его точность.

Появляется вопрос: можно ли использовать модель для оценки запуска новых SKU? Да, при запуске новых продуктов можно использовать данные о схожих товарах, например, относящихся к той же категории.

Например, если у старого продукта есть 1,5 года истории, а у нового – всего несколько месяцев, модель сможет частично опираться на предыдущий опыт. Это не заменит полноценного обучения, но позволит получить более точные прогнозы, чем при расчете «с нуля».

Раньше маркетологи подбирали параметры промо вручную: тестировали разные уровни скидок, анализировали результаты и корректировали стратегию. ML-модели автоматизируют этот процесс. Алгоритм перебирает сотни тысяч вариантов, оценивает их по заданным критериям (ROI, рост доли рынка, частота промо) и предлагает оптимальный сценарий. Это снижает риски, ускоряет принятие решений и повышает эффективность промокампаний.

ML-модели прогнозируют не только объем продаж, но и влияние различных факторов на эффективность промо. На входе в модель загружаются данные о глубине скидки, ценах конкурентов, пересечении промо внутри категории, а также о внешних факторах, таких как погода или транспортная доступность. На выходе модель рассчитывает объем продаж в штуках или рублях, позволяя оценить экономический эффект акции.

Чем выше уровень прогнозирования, тем сложнее факторы.

В ритейле важно учитывать локальные условия: пробки, погоду, дни недели. На уровне торговой сети ключевую роль играют промо-конкуренты, количество торговых точек и региональные различия. Производители, в свою очередь, анализируют ценовые соотношения с конкурентами и собственные производственные ограничения.

Если данных по какому-то фактору нет, модель не сможет его учитывать. Например, если компания никогда не фиксировала количество фейсингов в выкладке товара на полку в период акции, этот параметр нельзя использовать в прогнозах. Однако, если гипотеза о влиянии нового фактора кажется обоснованной, можно протестировать его, добавив в модель. Если точность прогнозов улучшается или остается стабильной, фактор включается в дальнейший анализ. Такой подход позволяет гибко адаптировать модель и повышать ее эффективность.

ML-модели не только прогнозируют влияние отдельных факторов на продажи, но и позволяют находить оптимальные параметры промоакций. Например, можно рассчитать эффект скидки в 10%, 20% и 25%, сравнить их по ROI и выбрать наиболее выгодный вариант.

Однако это лишь базовый уровень использования моделей. Полный потенциал раскрывается при внедрении алгоритмов оптимизации.

Оптимизация работает и на уровне отдельных акций. Например, можно задать конкретное SKU и даты промо, а модель рассчитает, какая глубина скидки обеспечит максимальный uplift или наибольший объем продаж. Такой подход позволяет не просто прогнозировать результаты, а управлять промостратегией на основе данных, снижая риски и повышая эффективность маркетинговых инвестиций.

Для наглядной иллюстрации, как это работает, рассмотрим кейс.

FMCG-производитель снеков успешно использует разработанные нами ML-модели как для работы с регулярным портфелем товаров, так и для запуска новых продуктов.

Какие гипотезы о факторах, влияющих на результат промо, и данные были использованы? Давайте рассмотрим их на схеме ниже:

Как происходит работа с моделью со стороны пользователя? Конечные пользователи (отдел трейд-маркетинга) работают с моделью через интерфейс решения ProSpace.Promo – пример представлен на иллюстрации ниже:

Результат – 80% средней точности прогноза по всем показателям промо и управляя затратами и прибылью через сценарный анализ и инструменты ML-оптимизации.

Процесс внедрения предиктивной аналитики в бизнес можно разделить на несколько этапов:

1. Оценка данных
Все начинается с анализа доступных данных. Если у компании есть качественная база данных (например, Data Lake или Data Warehouse), проект оценивается как реализуемый. Если данных недостаточно, используются более простые инструменты, такие как линейная регрессия, или проект откладывается до накопления данных.

2. Формирование гипотез
На этом этапе бизнес и аналитики совместно определяют ключевые факторы, влияющие на результат. ML-моделирование – это не только математика, но и синергия экспертного опыта и вычислительных мощностей. Гипотезы ранжируются по степени влияния, и начинается работа над созданием модели.

3. Создание и тестирование модели
Data-science специалисты разрабатывают архитектуру модели, тестируют ее и оценивают уровень ошибки. Если ошибка превышает допустимый порог, уточняются гипотезы или собираются дополнительные данные. Итеративный процесс позволяет постепенно улучшать точность модели.

4. Пилотирование
После достижения приемлемого уровня точности модель тестируется на ограниченном участке, например, на одном SKU. Система работает параллельно с традиционным деманд-планированием, чтобы сравнить результаты. Если пилот успешен, модель масштабируется на большее количество SKU или регионов.

5. Масштабирование и интеграция
Постепенное расширение использования модели позволяет минимизировать риски и адаптировать сотрудников к изменениям. Важно вовлекать стейкхолдеров на ранних этапах, чтобы доказать преимущества модели и минимизировать сопротивление.

Логика ML-моделирования встроена в флагманский продукт ProSpace.Promo, позволяя накапливать данные по промоакциям, подтягивать информацию из внешних источников и получать как качественную дескриптивную аналитику, так и точные прогнозы в сочетании с советами по оптимальным промоусловиям, исходя из поставленных компанией целей (например, максимизация ROI или объемов продаж). Внедряя продукт, ProSpace подключает команду дата-аналитиков для кастомизации алгоритмов под конкретную компанию, ее опыт и ожидания.

Предиктивная аналитика и ML-модели уже меняют управление промо в FMCG, позволяя прогнозировать эффективность акций, оптимизировать скидки и снижать риски. Компании, использующие эти инструменты, получают конкурентное преимущество благодаря точному планированию и эффективному распределению бюджета.

Однако успех зависит от качества данных, четких гипотез и грамотной интеграции в бизнес-процессы. Ошибки в данных и рыночные изменения могут снижать точность прогнозов, поэтому важно сочетать алгоритмы с экспертным анализом.

Будущее за теми, кто объединит аналитику, машинное обучение и стратегическое управление. В условиях высокой конкуренции и чувствительности потребителей к ценам предиктивная аналитика станет ключевым инструментом роста и прибыльности.