Эффективный категорийный менеджмент по-прежнему остается одним из ключевых элементов успеха в ритейле. Категорийный подход предполагает, что группа схожих товаров (категория) управляется как самостоятельная бизнес-единица для максимизации прибыли и удовлетворенности покупателей.

При этом главными инструментами эффективного управления ассортиментом являются точное прогнозирование продаж в заданном временном периоде и анализ влияния цен на спрос. И здесь на помощь категорийному менеджеру приходят различные аналитические методы.
 

Ограничения традиционных методов

На протяжении длительного времени классические подходы к прогнозированию — анализ исторических данных, экспертные оценки, фиксированные правила — обеспечивали приемлемую точность для высокооборачиваемых товаров, составляющих ядро продуктовой матрицы (кроме категории fresh и некоторых других).

Однако в современных быстро меняющихся условиях требования к аналитике и точности ужесточились. С одной стороны, ритейлерам нужно постоянно расширять ассортимент, вводить новинки, гибко управлять запасами и грамотно работать с низкооборачиваемыми товарами. А с другой — при построении прогнозов и планов учитывать высокую волатильность спроса, макроэкономическую нестабильность, рост требований к персонализации и нарастающую цифровую конкуренцию.

Комплексно анализировать данные факторы позволяют современные прогнозные модели, в том числе на базе искусственного интеллекта. При этом важным условием успешного применения решений ИИ выступает технологическая зрелость ритейлера и наличие опыта достижения целевых показателей эффективности на базе традиционных прогнозных моделей.
 

Эволюция прогнозирования

В классических моделях прогнозирования использовались стандартные статистические методы, такие как градиентный бустинг, авторегрессия. Они характеризуются простотой реализации и интерпретации результатов, однако часто уступают по точности современным решениям.

Одним из недостатков классических методов является их неспособность к пониманию длинных закономерностей прошлого и нелинейных зависимостей неоднородных по исторической глубине. Такие как редкие покупки, определенные сигналы прошлого (например, неурожай) или нестационарные закономерности в истории, которые имеют ключевое значение для продаж (скачки курса, средней температуры и пр.). Классические методы сочтут такие факторы незначимыми. Более того, стандартные регрессионные подходы дадут прогноз, где требуется знать определенный порядок изменения признаков или сигналов, поскольку не работают с понятием «состояние системы» или «контекст».

Допустим, коммуникация клиента с товаром в прошлом приводит к тому, что сейчас он проявляет повышенный интерес к этому товару и реагирует на маркетинговую кампанию. Статистические методы не способны зафиксировать и понять такие «задержки в реакции» или цепочки событий разной длины, которые бы привели к покупке.

За последние годы широкое распространение получили модели с использованием глубокого машинного обучения, в частности нейронные сети с короткой и длинной памятью (LSTM) и модели с вниманием (attention-модели, которые являются базовыми для построения сети-трансформера).

Эти подходы обладают высокой точностью для работы со сложными последовательностями, могут обрабатывать большие объемы разнородных данных, включая временные ряды с длинными зависимостями (как в примере выше, когда покупка имеет отложенный эффект, который зависит от поведения в далеком прошлом). Они выявляют сложные нелинейные корреляции и сезонные паттерны, неочевидные для человека (взаимосвязь между покупкой бренда детской одежды и ставкой ЦБ, а также курсом валют).

Сети с вниманием (такие как нейросети-трансформеры) способны учитывать исторический контекст и выделять наиболее релевантные факторы, влияющие на изменения спроса. Кроме того, последние поколения нейросетей перестали быть «черными ящиками», они эффективно решают проблему объяснения динамики спроса, позволяя выявить причины колебаний: были ли они вызваны изменением цены, остатков товара на складах или иными факторами.

Модель, основанная на архитектуре трансформера, обеспечивает категорийных менеджеров мощным инструментом прогнозирования эластичности спроса и оптимизации ценообразования, демонстрируя высокую точность и широкую сферу применения в розничной торговле.
 

Точное прогнозирование спроса

В отличие от традиционных статистических методов нейросетевые модели учитывают десятки факторов, влияющих на спрос. Условно их можно разделить на внешние и внутренние.

• К внешним факторам относятся локальные события, курсы валют, погода, социальные тренды, данные мониторинга конкурентов, макроэкономические индикаторы и даже настроения в соцсетях
• К внутренним — история регулярных продаж и промо, данные о трафике в магазинах, сезонность, планограмма торговой точки, ожидаемая уходимость остатков, информация о товаре, корреляции между продажами и промо связанных товаров и прочие

Например, в ИИ-модели прогноза спроса, разработанной Б1 на базе нейросетей-трансформеров, учитывается более 50 факторов, что позволяет достичь точности до 95% для промо-товаров и более 70% для распродаж.

Применение ИИ-моделей спроса дают:

• резкое снижение ошибок прогноза (неликвид, отсутствие товара на складе)
• оптимизация уровня сервиса
• уменьшение потерь от списаний особенно для категорий fresh и скоропортящейся продукции
• точное планирование промо-активностей

Высокая чувствительность моделей к изменению главных факторов позволяет оптимизировать цены в зависимости от реакции конкурентов и гибко управлять промо.
 

Динамическое ценообразование, оптимизация промо и распродаж

Другой важной задачей, где применяется ИИ, является аппроксимация кривой эластичности спроса — товарной либо категорийной, исходя из поставленных целей. Это позволяет анализировать влияние изменений цен или ценовых диапазонов на уровень спроса, объем продаж, величину маржи и другие ключевые показатели.

Особенно важно то, что можно строить прогнозно-сценарные модели. Например, комбинируя различные сценарии промо или цен конкурентов, категорийный менеджер увидит, как будет меняться спрос в зависимости от этих изменений.

После обработки десятков внутренних и внешних факторов модель формирует прогноз спроса на n-недель вперед с учетом промо цен и без них.

Далее на основе истории продаж ИИ выдает ценовые диапазоны и сценарии кривых спроса, оптимизирует скидки для промо или для распродаж, учитывая ожидаемую скорость уходимости товара. Таким образом, модель прогнозирования, построенная на нейросетях, составляет оптимальный план продаж и скидок для максимизации маржи или выручки.

Рассмотрим пример работы ИИ-модели для акции на детский сок. Прогнозируемый горизонт влияет на качество модели — чем длиннее период, тем ниже точность результатов. Однако даже на таком горизонте можно проводить детальную аналитику на основании текущих условий акций и ожидаемых показателей.

Если действует акция со скидкой 25% и известна будущая промо-стратегия на ближайшие две недели, менеджер может варьировать условия скидок таким образом, чтобы оптимизировать показатель прибыли или объема реализации товара (РТО). Система поддерживает изменение целевых установок и проведение анализа различных сценариев промо-акций («промо-микс»), включая комбинированные товарные наборы, что представляет собой сложную управленческую задачу.

Оценка эффекта от промоакций доступна непосредственно через интерфейс категорийного менеджера. Реализована возможность задать скорость ухода товаров со склада за определенное количество недель и автоматически определить требуемую скидку для достижения заданной уходимости. Модель предоставляет рекомендации по оптимальной цене, необходимой для достижения установленной цели, такой как реализация продукта за пять недель.

ИИ помогает определить оптимальную цену для каждого товара в каждом магазине (или онлайн) в реальном времени, учитывая эластичность спроса, цены конкурентов, остатки на складе, цели по прибыли или объему продаж и стратегию категории.

Появляется возможность автоматизировать реакции на действия конкурентов, оптимизировать глубину и частоту скидок, довольно точно спрогнозировав их реальный эффект. Помимо этого, можно предотвратить каннибализацию продаж внутри категории или между брендами.

Одним из важнейших примеров сценарного анализа является управление маркетинговыми активностями с помощью ИИ. Модель может учитывать различные по типу и содержанию рекламные инструменты: ТВ, онлайн-рекламу, оффлайн. Пользователь может управлять типом рекламы (или комбинацией) и смотреть, насколько она потенциально будет эффективна в будущем. Такой прогнозный сценарий создает большие возможности для многих направлений бизнеса, в частности для FMCG-производителей и фармацевтики.

Искусственный интеллект (ИИ) стал тем самым недостающим звеном, которое превращает категорийный менеджмент из творческого процесса в точную науку. ИИ не просто автоматизирует рутину отдела закупок, а открывает принципиально новые возможности для понимания потребителя, прогнозирования рынка и принятия стратегических решений на уровне категорий.