Ключ к успешному прогнозированию: как искусственный интеллект помогает предсказывать и стимулировать спрос

Анализ и прогнозирование спроса помогают руководству компании более четко понять текущее положение дел и запланировать все сопутствующие операционные процессы — от закупки сырья до корректировки маркетинговой стратегии. Традиционно спрос определяется на основании данных о продажах компании за последние несколько лет, но сейчас всё чаще на первый план выходят большие данные, в том числе данные о покупках, которые совершает клиент в разных категориях товаров.

Что дает компании прогнозирование спроса

1. Понимание поведения клиентов. Анализ данных о покупках и статистика спроса помогают лучше понять потребности аудитории и особенности покупательского поведения. Эти знания нужны для управления лояльностью клиентов.

   Например, онлайн-сервисы такси используют данные о наиболее популярном времени поездок, загруженных направлениях, погодных условиях, чтобы управлять объемом машин в определенное время в конкретных районах и удовлетворять потребности клиентов.

2. Повышение продаж. Яркий пример сервиса, который помогает повышать продажи благодаря прогнозированию, — Amazon Forecast. Ритейлер разработал систему, которая позволяет предсказывать спрос на продукты, прежде чем они поступят на склад, чтобы эффективнее управлять запасами. На основании данных, таких как история покупок, сезонность и тренды покупательского поведения сервис может точно рассчитать грядущий спрос на разные категории товаров. Это позволяет заказывать именно то количество продукции, которое будет продано.

3. Оптимизация маркетинга. Знание того, кто может совершить покупку в ближайшие месяцы — один из ключевых факторов эффективного распределения ресурсов в продажах и маркетинге.

   Например, на основе данных, которые анализирует First Data, мы знаем, у каких людей весной обостряется аллергия, поэтому для них будет актуальным в этот период реклама средств от заложенности носа и аллергических реакций. Или благодаря нашим данных о том, кто купил абонемент в тренажерный зал, мы знаем, что этим людям будут интересны предложения спортивной формы, правильного питания и других сопутствующих товаров.

4. Принятие оптимальных управленческих решений. Учитывая тенденции спроса на определенный товар, компания может оптимизировать производство. Например, если у бренда есть линейка продуктов, которая продается менее успешно и спрос на нее падает, при этом нет предпосылок для роста продаж этих товаров на рынке, компания может решить сократить или закрыть производство таких продуктов.

   Тщательно отслеживает показатели Coca-Cola — компания использует данные продаж из большого количества магазинов, чтобы прогнозировать потребности рынка и определять необходимые объемы производства. Благодаря анализу данных о продажах и предпочтениях покупателей Coca-Cola определяет, какие виды продукции и в каком количестве необходимо производить в разных регионах.

5. Оптимизация денежных потоков. Прогнозирование спроса помогает определить, на какие направления распределить ресурсы, будь то разработка нового продукта, усовершенствование технологий, найм сотрудников, маркетинг или что-то еще.

6. Помощь при запуске новых продуктов. Выход на новые площадки и запуск новых продуктов — это всегда риск, а крупным компаниям даже небольшие неточности в прогнозах могут стоить сотен миллионов рублей. Поэтому грамотная аналитика и прогнозирование спроса необходимы, чтобы успешно выйти на рынок.

   Netflix — одна из компаний, которая улучшила свое понимание спроса клиентов, выпустила новый продукт и смогла быстро увеличить прибыль. Компания начинала бизнес с проката DVD-дисков с доставкой по почте. Выяснив, что зрители не хотят ждать выхода фильмов на DVD и долгую доставку, Netflix решила разработать новый сервис, чтобы зрители смогли быстрее получать доступ к новым фильмам через интернет. Это решение, основанное на предсказании спроса и потребностей клиентов, позволило компании занять лидирующие позиции на рынке и сохранить их по сей день.

Прогнозирование спроса — это первый этап планирования продаж и организации всей операционной деятельности компании. Построить кривую спроса можно на основании данных о фактических продажах за несколько лет. Чем больше у компании данных и чем стабильнее потребительское поведение, тем эффективнее аналитика.

Прежде всего, эти данные очищаются от шума — нехарактерных всплесков и падений, а также исключается влияние сезонности, чтобы увидеть действительные тренды (сезонность тоже учитывается в прогнозе, но на следующих этапах анализа). Также вместе с историческими данными важно проанализировать и другие факторы, влияющие на спрос: активность конкурентов, скидки, величину остатков и прочее. Всё это помогает увидеть реальную картину.

В работе над спросом также необходима синергия больших данных и экспертной оценки. Сотрудники компании, управляющие продажами, знают о планируемых активностях, рекламных кампаниях, которые могут оказать непосредственное влияние на спрос, и это тоже нужно правильно включать в прогноз как факторы влияния.

Классические (математические) методы прогнозирования учитывают только прошлые продажи и коэффициент сезонности. Их недостаток — в том, что они не могут учесть многообразие факторов анализа, которые влияют на спрос, а их можно собрать десятки и сотни, и все они будут иметь значение.

Зачем использовать искусственный интеллект в прогнозной аналитике

Модели на основе машинного обучения могут учитывать всё разнообразие факторов, для каждого бизнеса это свой уникальный набор: данные о скидках, покупательском трафике, маркетинге, активности конкурентов и пр. Например, собственный алгоритм прогнозирования спроса торговой сети «Пятерочка» учитывает около 200 факторов влияния в разных категориях товаров.

Аналитик, тестируя алгоритм прогнозирования спроса, может отследить влияние каждого отдельного фактора и обнаружить неочевидные закономерности среди «находок» искусственного интеллекта.

Еще одно важное преимущество ИИ — скорость обработки информации. Например, онлайн-сервисы доставки еды рассчитывают стоимость доставки и ее сроки в зависимости от загруженности курьеров, спроса, погодных условий. Все эти факторы должны обрабатываться с очень высокой скоростью, чтобы, например, если начался дождь, алгоритм сразу обновил время доставки заказа и рассчитал повышенный коэффициент ее стоимости.

Эффективность использования методов машинного обучения в прогнозной аналитике подтверждается не только практикой. Например, в серии открытых соревнований Макридакиса, предназначенных для оценки и сравнения точности различных методов прогнозирования, в 2000 году первое место заняли классические методы, в 2018 — гибридные, а в 2020 году на первый план вышли методы машинного обучения.

Как специалистам использовать искусственный интеллект для планирования продаж: сервисы и подходы

Для прогнозирования спроса компании могут использовать как собственные разработки, так и сторонние инструменты и платформы для анализа данных и прогнозирования покупок. Вариантов таких сервисов довольно много. Кто-то предлагает ограниченный, кто-то расширенный список функций. Ниже — несколько примеров подобных программ:

• Платформа Microsoft Azure предоставляет архитектуру для прогнозной аналитики спроса. Варианты использования включают, например, прогнозирование спроса на продукт в розничном или интернет-магазине, прогнозирование посещений больницы, энергопотребления и т. д. С помощью платформы можно планировать инвентаризацию, рассчитывать рабочие часы сотрудников, управлять удовлетворенностью клиентов и пр. Microsoft Azure предоставляет готовые модели для конкретных отраслей и вариантов использования, что упрощает их внедрение, но делает менее адаптивными.

• IBM Watson Studio — облачная платформа для разработки предиктивных моделей для решения задач внутреннего планирования и прогнозирования. Включает в себя широкий набор описательных, диагностических, прогнозирующих и предписывающих возможностей. IBM Watson обладает широкими возможностями настройки и может быть обучен на определенных наборах данных и моделях, что позволяет использовать его для решения разных задач.

Многие крупные компании, включая Amazon и Google, имеют свои сервисы, которые можно использовать в прогнозировании спроса. Как правило, все эти платформы предлагают похожий функционал по работе с искусственным интеллектом. Отличие — в наборе инструментов: на некоторых платформах можно создавать собственные приложения, а на других использовать только готовые.

Расскажем про четыре подхода, которые используются для прогнозирования будущих покупок с применением ИИ и машинного обучения:

1. Алгоритмы классификации. В прогнозировании используется множество вариантов сегментации. Данные можно разделить по признакам: время покупки, тип товара, регион покупки, покупки по скидке и т. д. Классифицируя всю информацию о покупках на группы, можно выявить закономерности, которые помогут при прогнозировании спроса.

   Например, Tinkoff Data выяснили, что ночью возрастает спрос на цифровые товары — россияне в это время активнее покупают подписки на сервисы (музыку, фильмы и др.).

2. Алгоритмы кластеризации. Они схожи с методами классификации, но параметры не задаются заранее — общие признаки выявляются в ходе анализа. Так можно обнаружить неочевидные закономерности и проанализировать факторы, влияющие на спрос. Этот метод подходит для анализа поведения покупателей и персонализированной коммуникации.

   Клиентов бренда на основании third party данных можно сегментировать на разные группы: тех, у кого есть дети, домашние животные, любители кофе и т. д.

   Приведем пример

   Компании нужно спрогнозировать спрос на самокаты. Для этого данные о покупателях разделяются на кластеры следующим образом:

   • Возрастной кластер. Часто самокаты покупают для детей, но последние несколько лет их активно используют взрослые. Возраст может указывать на то, какой тип самоката будет более популярен среди покупателей.

   • Географический фактор. Этот кластер будет основываться на местонахождении покупателей, чтобы выявить, какие районы или города пользуются наибольшим спросом на самокаты.

   • Ценовая категория. Этот кластер будет основываться на стоимости купленного самоката. Так можно будет выяснить, какие типы самокатов наиболее популярны среди покупателей и в какой ценовой категории лучше всего работать.

   • Сезонный фактор. С помощью оценки спроса в разные сезоны можно будет определить, когда пользователи наиболее активно покупают самокаты, и подготовиться к этому периоду.

   • Стилевой кластер. Этот раздел будет показывать, какой стиль жизни ведут покупатели, чем интересуются, какие делают сопутствующие покупки. Анализируя эти данные, ИИ сможет определить, какие типы самокатов наиболее популярны у каких групп покупателей и как можно эффективнее продвигать.

• Алгоритмы регрессии. Этот метод подходит для прогнозирования на основе исторических данных. Здесь необходимо сравнивать показания разных лет или временных периодов. В ход также идут принципы теории вероятности и математические вычисления. Таким образом можно проанализировать всплески продаж: на сколько год от года менялась выручка и спрос на товары в то или иное время. Например, что чаще всего за последние пять лет покупали люди в Черную пятницу.

• Анализ сопутствующих товаров. Этот метод помогает выявить связи между различными категориями товаров и предсказать будущий спрос на основе изменений популярности связанных товаров. Например, если пользователи стали чаще покупать мебель, то, возможно, вырастет и спрос на текстиль, а рост популярности алкогольных напитков стимулирует спрос на закуски и т. д.

Выбор алгоритма зависит от целей прогнозирования, рассматриваемых временных периодов, доступности данных. Сейчас для более точного прогноза чаще используется совокупность разных алгоритмов. Чтобы выбрать эффективный алгоритм, компаниям нужно самостоятельно тестировать разные подходы — только так можно понять, что работает в конкретном случае. Универсального ответа, подходящего для всех, здесь нет — это просто проверка гипотез на основе задач и имеющихся данных.

Как происходит выбор алгоритма:

1. Собираются и подготавливаются данные: исторические данные о продажах, сезонность, цена, данные конкурентов, маркетинговый план и т. д. После сбора данные очищаются от выбросов (информации, которая выбивается из общей статистики и может давать неверный прогноз).

2. Выбирается модель. Перечисленные выше алгоритмы довольно универсальны, их выбор зависит от конкретной задачи и тех данных, которые есть в распоряжении аналитиков. Как правило, в начале тестируются разные подходы, чтобы выбрать тот, который даст наиболее полную картину.

   Но, например, если компания выходит на рынок с продуктом, не имеющим аналогов, и получить исторические данные или проанализировать конкурентов невозможно, то алгоритм регрессии тут не подойдет. Стоит проанализировать тенденции и объем рынка, интересы и запросы покупателей, опросить потенциальных пользователей и собрать оценки экспертов.

3. По мере того, как сбываются прогнозы, модель постепенно улучшается, добавляются новые признаки. Тут уже можно говорить о том, что становится видно еще больше закономерностей. Модель и данные обновляются регулярно, чтобы не терять точность прогноза.

Как можно использовать искусственный интеллект для планирования маркетинговых кампаний

В маркетинге прогнозирование спроса не менее важно, чем в планировании продаж. В периоды изменения спроса (например, по причине сезонности) компания может поддерживать продажи, правильно скорректировав маркетинговую стратегию.

Прогнозирование спроса сегодня терпит большие изменения, но именно ИИ помогает быстро адаптироваться к меняющимся обстоятельствам. Весной 2022 года мы провели большое исследование и проанализировали динамику спроса и потребительского поведения в сегменте FMCG. В конце февраля—начале марта большинство рекламных активностей прекратилось. Приостановили рекламные размещения в том числе российские бренды. К середине апреля 2022 года более 400 международных брендов заявили об уходе с рынка или о приостановке деятельности.

Алгоритмы First Data выявили скачки спроса на часть товаров (корма для животных, сахар, консервы и т. д.) и спрогнозировали, когда предположительно у россиян закончатся запасы. Анализ данных показал, что люди стали экономить, делая выбор в пользу интернет-магазинов и маркетплейсов. На фоне дефицита определенных товаров, вызванного уходом брендов и ажиотажным спросом, на рынке стали появляться новые игроки: небольшие российские и китайские бренды.

На основе статистики спроса и прогнозов наша компания дала рекомендации маркетологам и топ-менеджерам:

• сегментировать ЦА с использованием данных третьих сторон;

• завоевывать ЦА конкурентов;

• продолжать рекламные активности, чтобы у потребителей не возникло ощущения, что у компании сложности и возможен ее уход с рынка.

Это помогло клиентам скорректировать свои маркетинговые стратегии и определить план действий в меняющихся обстоятельствах.

Другой пример — это работа в периоды прогнозируемого низкого спроса. Для компании важно выделить основные факторы, которые влияют на ситуацию, далее правильно сегментировать потенциально неактивную аудиторию и выбрать варианты рекламных сообщений.

Допустим, компания-производитель бытовой химии выпускает средства для удаления пятен и грязи, которые особенно актуальны в летний период, и самая широкая аудитория клиентов — это родители маленьких детей. Дети в теплое время года много времени проводят на улице, быстро пачкают одежду, и ее непросто отстирать обычным порошком. С помощью искусственного интеллекта компания может определить среди своих клиентов аудиторию родителей (на основании данных о других покупках) и таргетировать рекламу пятновыводителей для детской одежды непосредственно на них, поддерживая коммуникацию правильным рекламным сообщением, что средства подходят для удаления разных видов пятен на детской одежде.

Что в итоге

Прогнозирование спроса, основанное на больших данных, помогает не только в планировании бизнес-процессов компании, но и в выстраивании маркетинговой стратегии. Искусственный интеллект как инструмент для анализа данных не может эффективно работать без грамотного подхода: необходимого объема данных и алгоритмов по работе с ними.