Прогнозирование и запуск новинок 

На онлайн-встрече SCM Planning & Customer Collaboration эксперты рассказали о маркетинговых планах запуска новинок, о практиках снижения рисков, о методологии ввода-вывода из ассортиментной матрицы групп товаров, особенностях промоакций. А также о своем опыте прогнозирования и запуска новинок, о том, как процесс выстроен изнутри.

 

Обзор подходов по прогнозированию новинок. Опыт Reshape Analytics

Мансур Кадимов, основатель, управляющий партнер консалтинговой компании Reshape Analytics: 

– Новинки – значимая часть любого бизнеса. Существует ряд исследований по теме, которые показывают, что новинки особенно интересны потребителям, что среди прочих равных они предпочтут попробовать новое. В разных компаниях доля новинок в ассортименте составляет от 10% до 60%. Также я видел разные цифры, но взял самые драматические: 95% запусков новинок неудачны, они не достигают результатов, на которые изначально ориентировались.

Роль новинок в цепях поставок сложно переоценить. Все функции поставок сильно интегрированы в этот процесс. Каждая из сторон формулирует свои вопросы. Насколько точный прогноз новинок, насколько важен уровень сервиса, на который ориентируются сразу при запуске, хватит ли у производства мощности – это вопросы от цепи поставок. С другой стороны, как правило, довольно креативные коллеги из департаментов маркетинга хотят экспериментировать, запускать все больше и больше релизов. В этом процессе прогнозирование является стратегически важной задачей.

Проблема с расчетом прогноза является актуальной. Это одна из трех топовых причин провала новых запусков. Новинки сложно прогнозировать, потому что нет истории продаж. Традиционный метод прогнозирования основан на том, что вы анализируете исторические данные, выявляете какие-то параметры временного ряда и экстраполируете на будущее. А что делать, если нет истории, сроки сжаты, время в дефиците, решения сложны, недостаточно вводных, недостаточно понимания? Кроме того, есть проблема субъективного представления о потенциале. Функция маркетинга может дать какую-то цифру, но она будет «в целом, по стране», может не учитывать листинг и все остальное.

И самый сложный аспект – качество данных. Данные имеют множество источников, не структурированы, неполные, без единого хранилища. Частично вопрос решают внедрением портала мастер-данных. Но потребительские характеристики, которые являются значимыми, особенно для новинок, остаются за бортом. Самое сложное с новинками – всегда есть что-то, что кем-то не учтено, пропущено. И это является как раз самым предсказуемым.

Есть ли какие-то решения? На самом деле, новинка новинке рознь. Можно сделать матрицу, где сверху информация о том, насколько продуктовая технология внутри новинки является новой, а насколько – существующей. Также можно оценить рынок: является ли он существующим или новым. На пересечении параметров можно увидеть революционный и эволюционный процессы, когда происходит или удешевление продукта, или значительное улучшение, или расширение линейки, или расширение географии. Совсем редко происходит что-то действительно радикальное – выход абсолютно нового продукта для компании, принципиально нового продукта для всего рынка. Исследования говорят, что таких запусков всего порядка 10-15%. То есть в основном мы работаем с новинками, которые в какой-то мере нам знакомы.

Какие решения существуют для эволюционного и революционного сценариев?  Часто для прогнозирования новинок применяют маркетинговые исследования, проводят опросы фокус-групп, эксперименты, маркетинговую разведку, анализ источников данных. Производятся пилотные запуски маленьких партий, выясняется, насколько они востребованы на рынке. Наконец, применяются более привычные для нас вычислительные методы, машинное обучение. Несмотря на то, что у новинок нет никакой истории, ее можно создать с помощью подбора релевантных позиций. Затем происходит подготовка данных, моделирование, выбор прогноза и контроль качества. Пройдемся пошагово по каждому из этих этапов.

Отбор релевантных позиций

Релевантная позиция будет являться донором истории для новинки. То есть мы делаем допущение, что новая позиция так или иначе в своем жизненном цикле будет похожа на те позиции, которые мы запускали ранее. Соответственно, нужно каким-то образом похожие. Для этого используется информация о признаках позиции: категория, цена, экономические характеристики, наличие какого-то вкуса, форма упаковки, емкость для косметики… Этих характеристик может быть большое количество. Понятно, что не все из критериев являются равнозначными. Чтобы их упорядочить, можно использовать весовые коэффициенты.

Еще один важный критерий – месяц старта продаж. Жизненный цикл позиции, запущенной накануне сезона, в течение сезона или после сезона, может быть существенно различным. Нужно изначально отобрать те позиции, у которых сезонный профиль и жизненный цикл будут максимально похожи на профиль и цикл новинки.

Затем происходит подготовка данных для доноров. Очевидно, нельзя брать историю продаж как есть, потому что так или иначе в ней есть выбросы. Надо обязательно проводить восстановление из-за дефицита: часто бывает, что новинка успешно продается и быстро вымывается со склада. За короткий период мы должны сделать корректировку.

Наконец, проводим чистку, корректировку сезона. Получаем реальный потенциала. В каждой модели прогнозирования по-разному комбинируем факторы.

Выбор прогноза

Важным этапом является выбор лучшего прогноза. Тут традиционный метод тестовой выборки не применим, поэтому нужно проводить дополнительное аналитическое исследование. Выбирать, насколько точно тот или иной метод прогнозирования попадает. Потом принимать решение, какой метод прогнозирования или какой ансамбль моделей для этой товарной группы наиболее применим. Важно регулярно это актуализировать, чтобы не принимать какой-то метод как догму, не ориентироваться на уже устаревший вариант.

Контроль качества

Традиционные методики оценки качества прекрасно работают с новинками. Forecast value added показывает, насколько ваши усилия, направленные на построение более сложных моделей, оправданы. Возможно, простая модель даст лучший результат, чем сложная нейронная сеть. Поэтому обязательно обращайте внимание, можно ли эту задачу решить более простым способом.

Когда новинка перестает быть новинкой? Нужно сравнивать методы прогнозирования по истории продаж. Иногда нужно делать это целый год. Иногда 3-6 месяцев. Следующий нюанс – это каннибализация: учет возможных потерь в продажах других позиций. Зачастую бывает, что одна позиция отнимает потенциал продаж у другой позиции. Этот фактор надо иметь в виду, и их разводить.

Иногда ввод новинок не оправдывает потенциал, который закладывается маркетологами. Поэтому нужны идеи по поддержке планов, связанных с новинками. Контролировать проще, когда у тебя есть детализированный прогноз: понедельный, помесячный или декомпозированный до каждого клиента. Как правило, таких прогнозов на входе от бизнеса нет, а методы прогнозирования позволяют их построить.

И последний вопрос, наверное, из самых важных: сделано ли все возможное, чтобы повысить качество данных? Сохранили ли вы ваши выводы на будущее, чтобы не повторять предыдущие ошибки? Учли всю информацию? Сохранили всю спецификацию? Какой бы ни была продвинутой система прогнозирования и машинного обучения, самое важное – это бизнес-процессы и компетенции людей.

Вопрос от аудитории

В течение какого времени производится работа по прогнозированию новинки? Какие инструменты, софт используются?

Период – от пары месяцев до полугода или года. Математика занимает процентов двадцать времени. Восемьдесят процентов уходит на обогащение: сбор данных, координация бизнес-процессов и прочее. По поводу решения: мы использовали совершенно разные. Сейчас сотрудничаем с Novo BI и рекомендуем их систему Novo Forecast Enterprise.

 

Тексты выступлений других спикеров

Станислав Фридкин, руководитель отдела планирования Estee Lauder Companies
- Опыт запуска новинок Estee Lauder Companies

Алексей Батурин, исполнительный директор Novo BI
- Планирование новых продуктов. Опыт Novo BI

 

Видеозапись онлайн-встречи: https://youtu.be/L0WBUsvL-5M

Презентации: https://drive.google.com/drive/folders/1F7P59ChKXSVRv857JNMLiU-0F6joHMsd?usp=sharing