Вопросы/ОтветыВозможности

Общий прогноз на неделю равен сумме всех его компонентов.

Компоненты прогноза можно просмотреть в форме «Анализ», выбрав их в меню «Компоненты — В штуках».

Пример: прогноз построен на основе фактической цены, сезонности и базового уровня. Выбираем предикторы «A.

Price», «Seasonality», «Base» из меню «Компоненты — В штуках»; их сумма за каждую неделю будет равна значению прогноза.

Пример: значение «A. Price» = 20, «Seasonality» = 25, «Base» = 100. Значение прогноза составит 145.

Ситуация, когда прогноз равен продажам, практически невозможна.

Однако если расхождения между прогнозом и продажами незначительны и покрываются небольшим страховым запасом, рассчитанным системой, ситуация является нормальной.

Если расхождения значительны, необходимо попытаться определить, какой фактор не учитывается в прогнозе.

Алгоритм действий следующий: Последнее утверждение неверно, поскольку потери продаж возникнут только в том случае, если продажи превысят прогноз и страховой запас в сумме.

Если продажи превышают прогноз, но остаются в пределах страхового запаса, потерь продаж не будет.

Страховой запас рассчитывается индивидуально для каждой позиции в каждом магазине.

Страховой запас — это стандартное отклонение прошлых продаж от прогноза.

Однако на практике система всегда старается сделать его более точным, рассчитывая для разных диапазонов прогноза.

Для этого прогноз делится на 3 диапазона: Далее стандартное отклонение рассчитывается отдельно для каждого из этих периодов.

Таким образом, страховой запас, например, для мороженого или кваса зимой и летом будет разным.

Страховой запас для промо-периодов и непромо-периодов также будет разным.

Процент страхового запаса относительно прогноза также будет различаться для разных позиций, но общее правило таково: Это возможно.

Однако это может быть проблемой только для топовых, наиболее продаваемых позиций.

Для таких позиций рекомендуется увеличить страховой запас с помощью SS-коэффициентов.

В этом случае страховой запас умножается на эти коэффициенты.

Для нетоповых позиций рекомендуется оставить SS-коэффициент по умолчанию.

Обычно он равен единице — это системная настройка, которую можно изменить.

Поскольку продажи конкретных позиций часто волатильны, а чем ниже скорость продаж, тем выше волатильность спроса, как правило, важно найти правильный баланс между наличием товара для покрытия экстремумов и уровнем списаний.

Общая рекомендация — снизить SS-коэффициент для таких позиций и установить его ниже единицы.

А для топовых позиций, где срок поставки существенно не превышает период продаж позиции, установить этот коэффициент близким к нулю.

Этого как раз делать не нужно. Корректируя коэффициенты, вы накапливаете опыт, и не следует постоянно их изменять.

Дополнительную информацию о применении SS-коэффициентов см. в разделе «Корректировки страхового запаса».

Если модуль Промо не используется, рекомендуется вводить мастер-прогноз для промо-периодов.

Также можно использовать мастер-прогноз для корректировки прогноза для новых товаров, если аналог не был задан.

Мастер-прогноз вводится на общем уровне (SKU-все магазины) и распределяется пропорционально системному прогнозу на уровне конкретных магазинов, повышая или понижая общий прогноз всех магазинов до уровня мастер-прогноза.

Регион 0 представляет агрегированные данные о продажах по всем магазинам сети.

Для региона 0 строится отдельный прогноз, который может отличаться от суммы прогнозов по всем магазинам.

Уровень «регион 0» используется как наивысший уровень географической иерархии при построении прогнозов более низких уровней.

Уровень «Сумма магазинов — SKU» — это прогноз, построенный на уровне каждого магазина и суммированный.

Уровень «Все магазины — SKU» — это прогноз, построенный на уровне региона 0, который представляет агрегированные данные по всей сети.

Разница состоит в том, что при построении прогноза на уровне магазина система анализирует зависимости продаж от влияющих факторов на детальных уровнях, что в определённых случаях при наличии достаточного количества данных может дать более точный результат, а в некоторых случаях зависимости могут не определяться.

Для разных позиций — по-разному; это зависит от того, достаточно ли истории продаж на детальных уровнях для построения прогноза.

При недостаточной истории прогноз на уровне региона 0 может быть точнее.

Ещё одно преимущество использования прогноза на уровне региона 0 состоит в том, что он позволяет определять зависимость продаж всей сети от влияющих факторов (цена, сезонность и т.д.) и использовать их на более детальных уровнях.

Это необязательно.

Функциональность «Аномалии и Исключённые» используется в исключительных случаях, когда в процессе анализа прогнозов выявляются аномальные продажи.

Также, если в системе клиента выделены продажи по резервированию, рекомендуется загрузить их, чтобы движок учитывал их как аномалии.

В некоторых случаях, если модуль промо не используется и есть требования к движку прогнозировать регулярные и сезонные продажи, те недели, для которых установлен мастер-прогноз с типом «Промо», автоматически попадают в исключения прогноза.

Перечень таких позиций настраивается в системе.

Прежде чем использовать нейронную сеть для прогнозирования позиции, необходимо верифицировать прогноз, то есть проверить его визуально.

Это можно сделать с помощью профиля прогноза «Brain». Скорее всего, реакция системы не будет мгновенной.

Это сделано для того, чтобы сгладить локальные экстремумы в продажах.

Но через 1–3 недели система увидит эти изменения и начнёт учитывать их в будущем прогнозе.

Это можно проверить на реальных, уже произошедших примерах, откатившись в прогнозе на 1–3 недели назад.

Сделать это можно в форме «Анализ», нажав на ссылку «Настройки» и выбрав последнюю неделю продаж, которую система может видеть при построении прогноза.

Также сразу после первой недели повышенных продаж система начнёт повышать страховой запас, делая это осторожно и не создавая повышенного запаса там, где такая неделя в истории всего одна.

В таком случае есть несколько вариантов: Одежда и обувь, заказываемые по регулярному расписанию, могут быть заказаны на основе прогноза системы.

Если закупка одежды и обуви осуществляется на каждый сезон, организацию этого процесса следует выстраивать несколько иначе.

Изначально стоит использовать прогноз для групп моделей (например, мужская спортивная обувь), чтобы определить потенциальный спрос на них.

Затем необходимо экспертно отобрать модели под потенциальный спрос, а также экспертно выполнить декомпозицию прогноза с уровня групп моделей до конкретных моделей, а затем до размерной сетки, чтобы получить конкретные количества позиций для заказа.

Промо-прирост продаж — это дополнительный рост продаж в промо-период, возникающий благодаря коммуникациям, когда большее число покупателей узнаёт о том, что определённая позиция имеет промо-предложение на ограниченный период времени.

Есть две причины.

Во-первых, если просто снизить цену и никому об этом не сообщить, это не даст такого эффекта в росте продаж, как временное снижение цены с поддержкой дополнительных коммуникаций.

Во-вторых, нередко акция проводится без замены ценников, когда скидка предоставляется на кассе, а покупатель узнаёт о ней из дополнительных материалов: листовки, электронного каталога, баннера и т.д.

Рост продаж за счёт коммуникационного эффекта является наиболее сложным компонентом в прогнозировании.

Во-первых, этот эффект сильно варьируется для разных позиций.

Во-вторых, для конкретных позиций нередко отсутствует история промо ввиду значительной ротации ассортимента в розничной торговле.

Прогнозирование промо-роста в системе можно разделить на несколько основных этапов: Для этого следует смоделировать несколько сценариев промо с разным уровнем скидки и различными коммуникациями.

Для моделирования промо можно либо создать новое промо с теми условиями, которые вы хотите смоделировать, либо новый вариант существующего промо.

Следует учитывать, что при создании нового варианта в существующем промо скидка, определённая индивидуально для позиций в акции, имеет приоритет над скидкой, определённой на уровне всей акции; поэтому, если для разных товаров в акции определены разные скидки, для моделирования нового сценария лучше создать отдельное промо без его утверждения.

Base — базовый прогноз без учёта эффекта коммуникаций, но с учётом ценовой эластичности.

Показывает, сколько вы продали бы, если бы просто снизили цену и поддержали это базовой коммуникацией в виде указания на ценнике.

Promo — промо-прогноз с учётом промо-прироста за счёт всех дополнительных коммуникаций в промо, позволяющих большему числу покупателей узнать о выгодном предложении.

Прежде всего необходимо проверить сопоставимые промо, которые система подобрала.

Для этого нажмите кнопку «C» рядом с SKU, чтобы увидеть сопоставимые промо SKU, продажи по ним, а также их коэффициенты прироста.

Прогноз может отличаться от продаж по сопоставимым промо, так как условия меняются: цена, скидка, сезон, каннибализация.

Для более детального анализа факторов, влияющих на прогноз, необходимо дважды щёлкнуть по SKU в промо, чтобы перейти в форму «Анализ» и подробнее рассмотреть все компоненты прогноза.

«Before, %» — коэффициент промо-прироста к прогнозу без учёта ценовой эластичности.

«After, %» — коэффициент промо-прироста к прогнозу с учётом ценовой эластичности. Как правило, «After,%» ниже, чем «Before,%».

Система использует эти базовые коэффициенты из сопоставимых промо, применяя их для прогнозируемых промо на уровне SKU — все магазины и адаптируя их на уровне каждого магазина.

В таком случае коэффициент промо-прироста прогнозируется нейронной сетью.

Нейронная сеть обучается на всех промо-позициях в истории, определяя зависимость прироста от каждого отдельного фактора в промо, а также от их синергии, и отдельно для каждой товарной группы при наличии достаточного количества данных для учёта индивидуальных характеристик прироста позиций в каждой группе.

В системе есть визуализация результатов обучения нейронной сети — что-то вроде томографии.

Посмотреть её можно в меню «Ещё — Промо — Корреляция нейронной сети».

Там по вертикали отображаются факторы, которые нейронная сеть учитывает при прогнозировании промо-прироста, а также корреляция в процентах изменения значений факторов с изменением значений коэффициента промо-прироста, спрогнозированного нейронной сетью, к прогнозу с учётом или без учёта ценовой эластичности.

Промо-продажи — наиболее сложная область прогнозирования, поскольку на них влияет множество факторов, часть из которых системе неизвестна.

Например, в случае наличия или отсутствия реакции конкурентов акции на топовые товары, являющиеся генераторами трафика, могут давать разный прирост (в целом или в различных рыночных условиях).

Поэтому верификация промо-прогнозов важна.

При использовании MySales прогнозирование промо обычно осуществляется одним человеком или отдельной группой, которая создаёт промо в системе, строит автоматический промо-прогноз MySales и верифицирует его, сравнивая с сопоставимыми промо.

А также выполняет более детальный анализ с помощью формы «Анализ».

После такой верификации промо-прогнозов рекомендуется выгружать их в Excel для отправки категорийным менеджерам с целью проверки рыночных условий.

При наличии обоснованных возражений от категорийных менеджеров рекомендуется создавать мастер-прогноз в системе.

Мониторинг первых дней промо-продаж очень важен для промо, действующих в течение периода, превышающего цикл поставки, чтобы во время акции можно было отреагировать на продажи и заказать больше или меньше товара в ближайшую поставку.

Однако на уровне конкретных позиций в конкретных магазинах могут наблюдаться локальные экстремумы или локальные события, которые вряд ли повторятся в последующие дни, если речь не идёт о топовых позициях.

Поэтому в первые дни промо стоит анализировать продажи на более агрегированных уровнях (SKU-все магазины) и корректировать прогноз с помощью Мастера, чтобы отразить динамику промо для заказов в ходе его проведения.

Если акция длится несколько недель и повышенный рост продаж наблюдается только в первую неделю, рекомендуется использовать либо функциональность «Дополнительная загрузка», либо функциональность автозаказа, чтобы сделать увеличенный заказ на первую неделю акции.

Скидку для таких акций следует указывать как средний процент выгоды для покупателя, предоставляемой для конкретной позиции.

Это необходимо для корректной работы ценовой эластичности при прогнозировании промо.

В таком случае скидку также лучше указывать, анализируя историю, но в целом она должна находиться между 1% и процентом, рассчитанным как денежный эквивалент бонусов, делённый на цену товара, за который они начисляются.

Существует показатель точности прогнозирования промо, измеряемый как процент промо-позиций, попадающих в допустимый диапазон погрешности.

Этот показатель позволяет найти наилучший баланс между уровнем доступности товара в период промо и остатками на выходе из промо.

Для объективной оценки этого показателя важно сравнивать не просто прогноз с продажами, но и прогноз системы с прогнозом, подготовленным менеджерами вручную.

Если система прогнозирует лучше, чем сами менеджеры, для большинства позиций, то эффект будет либо в повышении доступности товара в промо-периоды, либо в оптимизации остатков на выходе из промо.

Следует отметить, что внедрение процесса верификации прогнозов системы позволяет получить синергию от использования алгоритмов промо-прогнозирования и экспертизы менеджеров.

Для качественного прогнозирования промо необходима история промо как минимум за один год, но в некоторых случаях может потребоваться два или более лет.

Чем больше история промо, тем более качественный промо-прогноз можно получить.

Скорее всего, в этом случае система спрогнозирует данный тип промо на основе усреднённого прогноза других типов промо.

Система также учтёт характеристики товаров и их поведение в промо, адаптируя промо-прирост на уровне магазина на основе индивидуальной чувствительности.

Однако по мере накопления истории промо-система начнёт учитывать её.

Ценовая эластичность и промо-прирост — это два отдельных, но взаимосвязанных компонента в прогнозе.

Раздельных — потому что сначала ценовая эластичность рассматривается в базовом прогнозе для тех позиций, по которым истории достаточно.

Затем к базовому прогнозу добавляется промо-коэффициент, который адаптируется на уровне магазина.

Однако коэффициент промо-прироста может быть добавлен к прогнозу, в котором нет ценовой эластичности, для тех позиций, по которым истории недостаточно для её расчёта.

Поэтому система использует два отдельных коэффициента промо-прироста, которые добавляются к прогнозу с учётом ценовой эластичности (как правило, этот коэффициент ниже) и без учёта (как правило, этот коэффициент выше).

После расчёта промо-прироста в штуках движок перебалансирует эти 2 компонента вместе с остальными компонентами прогноза, чтобы они наилучшим образом описывали прошлые продажи.