Умный калькулятор: как smart-подход к промо-кампаниям экономит миллионы

Производство товаров массового потребления нуждается в высокоточной аналитике спроса и точечном прогнозировании продаж на базе умных инструментов работы с данными. Переход к этим методикам с традиционных моделей анализа и планирования существенно повышает предсказуемость продаж, оптимизирует управление маржой и выручкой. Рассказываем, как это работает на примере управления промо-активностями.

На старт, внимание, в smart!

Концепция smart-управления выручкой предполагает использование возможностей продвинутой аналитики и реализуется сегодня на нескольких уровнях.

В начале происходит сбор необходимых данных, которые, по нашему мнению, влияют на спрос. Далее эти данные очищаются для восстановления объективной картины уровня базовых продаж. На основе собранных и очищенных данных с помощью ML-алгоритмов происходит разработка фабрики прогнозных моделей спроса. Например, с помощью встраивания what-if компонентов для поиска оптимальных цен и промо-условий.

В итоге происходит комплексная оптимизация параметров торговли — рост выручки и прибыли.

Оптимизация управления промо-задачами на пути smart-управления выручкой в целом — важнейший компонент. При грамотном управлении акциями, скидками и совместными программами с торговыми сетями буквально на ровном месте можно достигать существенной экономии средств, не сжигая понапрасну маржу.

При наличии компетенций в сфере анализа данных и правильных инструментов продвинутой аналитики результаты могут оказаться фантастическими. Для этого необходимо понимать, какие данные по конкретным SKU (Stock Keeping Unit — товарная единица, отличающаяся от остальных), торговым сетям и даже конкретным точкам продаж будут иметь критически важное значение, подобрать правильные инструменты для их обработки и применить к их анализу работающие математические модели.

Самое главное для бизнеса — осознать критическую важность подобного перехода, поскольку в современных реалиях эффективность достигается микро-менеджментом на уровне конкретной точки продаж на основе гранулярных данных, которые простым Excel Google (сайт нарушает закон РФ)-таблицами уже не обработать.

Ретейл к пониманию этих процессов уже пришел. Производители только начинают этот путь. Среди них формируется понимание ценности работы с данными, но сегодня оно упирается в отсутствие необходимых инструментов для их обработки и превращения в практические инсайты с видимой выгодой.

За пределами «коробки»

На рынке присутствует коробочное ПО для таких задач. Но каждый кейс тут индивидуален, Legacy-системы в компаниях варьируются, далеко не каждая разработка от вендора может быть оперативно подогнана под задачи компании. «Коробки» в этом плане зачастую отстали от жизни и современного стэка технологий.. Объем необходимой при внедрении кастомизации может оказаться сопоставим с разработкой необходимого ПО с нуля.

Качественное кастомное ИТ-решение для управления промоэффективностью дает наглядный прирост точности как оценок текущей ситуации, так и прогнозов будущих продаж. Что напрямую отражается на финансовых показателях. Компании получают возможность избегать излишних объемов уценки, перезатаривания запасов, потерь от неверно просчитанных параметров скидок и длительности промо.

Простой сбор критически важных данных в единой локации в пределах ИТ-системы компании уже дает качественный скачок. Современным уровнем возможностей на сегодня является full-stack ИТ-решение с рабочим местом client account менеджера с мощным математическим движком в сердце.

Выглядит это так: в рамках единого интерфейса специалист может анализировать и планировать продажи по любым SKU, их группам, региональным рынкам и сетям с горизонтом около 1 года, математически рассчитывая эффективность промо-кампаний. Это работает как пользовательское приложение: вводите планируемые параметры кампании (размер скидки, товар, сеть, регион и сроки), а на выходе получаете ответ по заданным критериям — какую прибыль можно получить, какие ресурсы потребует и т.д.

Далее система даст рекомендации касательно оптимальных параметров промо, если ввести желаемые цели — объем продаж, наращивание выручки и пр. К примеру, вы планировали увеличить продажи SKU, введя на 3 месяца скидку 15%. Но система способна заглянуть глубже, и после расчета всех вводных проекта рекомендует дать 14,3% на 4 месяца, чтобы достичь результата с меньшей нагрузкой и рисками для маржи.

Это похоже на калькулятор с богатым функционалом учета вводных для планирования промо-кампаний, массой форм аналитических отчетов и т.д. В основе его эффективности лежит предварительный сбор и анализ большого объема исторических данных по заданному направлению.

Результаты и истории успеха

На основе опыта в области разработки кастомных промо-калькуляторов могу говорить об улучшения прогноза точности кампаний до 6%. В переводе на масштабы крупной FMCG-компании или ретейл-сети со сроком кампании, скажем, в 3-4 месяца, это дает возможности заработка (или экономии) существенных средств.

Порядок действий: свести детальные данных по продажам с каждой точки сети с максимальной гранулярностью, провести очистку от погрешностей и информационных загрязнений, сопоставить их с историческими данными по прежним промо. Кроме того, необходим учет всех базовых вводных: категорий товаров, типов акций, региона, масштабов сети. Все это заводится в один проект, и на базе общей истории 2-3 лет продаж строится подходящая математическая модель для вывода максимально точного прогноза.

Кейс № 1

Производитель безалкогольных напитков столкнулся со стагнацией роста продаж.

Для преодоления «пробуксовки» и возобновления роста, а вместе с ним и прибыльности бизнеса, компания решила использовать методологию smart-управления выручкой

Ее ключевым приоритетом является автоматизация процессов планирования промо-мероприятий, управление бюджетом продаж и трейд-маркетинговых активностей.

Промо-калькулятор в этой методологии является одним из главных инструментов. Он был создан в формате кастомной целевой архитектуры, на базе альтернативного machine learning (ML)-движка с поддержкой интеграции с ключевыми системами компании.

За счет использования наиболее подходящих под специфику бизнеса моделей данных, современного веб-интерфейса, автоматической BI-отчетности и интеграции с системными источниками заказчика, удалось увеличить показатели выручки и прибыли на 16% по сравнению с применением традиционных подходов к аналитике и прогнозированию.

Это, в свою очередь, привело к увеличению доли рынка на 2% в тестовых регионах без ущерба для маржи.

Кейс № 2

Еще одна компания: глобальный пивной бренд, который продается в 178 странах мира.

Обнаружилось отставание в росте потребительских цен (рост показателя стоимости розничных продаж RSV/HL оказался на 1,7% ниже рынка), а также неудовлетворительный уровень понимания данных и поведения потребителей.

Решение удалось найти в автоматизации Revenue Management с использованием продвинутой аналитики, которая помогает корректировать решения и действия «на лету» и поддерживать устойчивый рост. Успешный пилот в Греции на базе более 25 аналитических исследований того, как работает решение, позволил запустить глобальную программу с успешным развертыванием системы в Мексике, Ирландии, Румынии и Франции.

Далее последовали быстрый выход на рост прибыли, оптимизация показателя возврата инвестиций (ROI) в промо-активности, эффективное ценообразование. К концу проекта удалось зафиксировать рост выручки на 4% и операционной прибыли — на 1,5%.

Дальнейшее развитие

Детализацию и точность прогноза можно наращивать и далее за счет добавления других факторов влияния на продажи в рамках кампании — от каннибализации товаров (линейки или бренда), когда ввод нового формата продукта (например, упаковка нового объема) «убивает» продажи аналога стандартного объема, до крупных глобальных событий в регионе в период проведения акции (спортивные мероприятия, фестивали, национальные праздники).

Вторая важная точка роста таких решений — доступ к информации об активности конкурентов, хотя бы в самом общем и обезличенном виде, без прямой маркировки конкретных компаний и брендов. Однако это направление сможет развиваться только при условии договоренностей между компаниями-производителями, торговыми сетями и регулятором.

Это сложно, но самой возможности в будущем не отменяет, например, в e-commerce сегменте.

Антон Меркулов, менеджер по развитию продвинутой аналитики Accenture в России