Прогнозирование продвижения торговли
 | Эта статья может быть слишком технической для понимания большинства читателей . ( июнь 2013 г. ) |
Прогнозирование продвижения торговли (TPF) — это процесс, который пытается обнаружить множественные корреляции между характеристиками продвижения торговли и историческим спросом, чтобы обеспечить точное прогнозирование спроса для будущих кампаний. Способность различать подъем или спрос, обусловленный воздействием стимулирования торговли, в отличие от базового спроса, имеет основополагающее значение для моделирования поведения стимулирования. Определение модели позволяет провести анализ «что, если» для оценки различных сценариев кампании с целью повышения эффективности продвижения и рентабельности инвестиций на уровне канала продукта путем выбора лучшего сценария.
Проблемы прогнозирования развития торговли
[ редактировать ]Расходы на продвижение торговли являются одними из крупнейших расходов в отрасли потребительских товаров: затраты крупных производителей составляют от 10 до 20 процентов валового объема продаж. Понятно, что 67 процентов респондентов недавнего опроса заявили, что они обеспокоены рентабельностью инвестиций (ROI), полученной от таких расходов. Количественная оценка рентабельности инвестиций во многом зависит от способности точно определить «базовый» спрос (спрос, который существовал бы без воздействия стимулирования торговли) и его рост. [1]
Фактически, точность прогнозов играет решающую роль в успехе компаний, производящих потребительские товары. Исследование Aberdeen Group показало, что лучшие в своем классе компании-прогнозисты (со средней точностью прогнозов 72 процента) имеют средний прирост валовой прибыли от продвижения на 28 процентов, в то время как отстающие компании-прогнозировщики (со средней точностью прогнозов всего 42 процента) имеют валовая прибыль выросла менее чем на 7 процентов. [2]
Прогноз продаж «снизу вверх» на уровне SKU-счета/POS требует учета атрибутов продукта, исторических уровней продаж и специфики магазина. Большое количество различных переменных, которые описывают продукт, магазин и атрибуты продвижения, как количественные, так и качественные, потенциально могут иметь множество разных значений. Выбор наиболее важных переменных и включение их в модель прогнозирования — сложная задача. [3]
Несмотря на эти проблемы, две трети компаний в цепочке поставок потребительских товаров считают точность прогнозов высоким бизнес-приоритетом. 74 процента сказали, что было бы полезно разработать восходящий прогноз на основе единиц хранения запасов (SKU) по ключевым клиентам. [4]
Традиционные методы прогнозирования продвижения торговли
[ редактировать ]Многие компании прогнозируют влияние стимулирования торговли, прежде всего, с помощью экспертного подхода. Эксперты-люди не могут принять во внимание все задействованные переменные, а также не могут предоставить аналитический прогноз поведения и тенденций кампании. Недавний опрос, проведенный Aberdeen Group, показал, что 78 процентов компаний используют электронные таблицы Microsoft Excel в качестве основного технологического инструмента прогнозирования продвижения торговли. К недостаткам электронных таблиц для планирования и прогнозирования развития торговли относятся недостаточная прозрачность, неэффективность и трудности с отслеживанием вычетов. [5]
Были разработаны специализированные приложения для прогнозирования развития торговли, которые становятся все более распространенными. 35 процентов компаний сейчас используют устаревшие системы, 30 процентов используют приложения для планирования продаж и операций (S&OP), 26 процентов используют интегрированные модули планирования ресурсов предприятия (ERP) и 17 процентов используют отечественные решения для продвижения торговли. Эти приложения поддерживают процесс планирования, в то же время полагаясь в первую очередь на человеческие знания и интуицию для прогнозирования. Одна из проблем этого подхода заключается в том, что люди склонны делать оптимистические предположения при прогнозировании и планировании. В результате прогнозы чаще всего ошибаются в оптимистичную сторону и что прогнозисты-люди также склонны недооценивать степень неопределенности в своих прогнозах. [6]
Еще одна проблема заключается в том, что устаревшие системы содействия торговле способствуют внутренней фрагментации данных торгового маркетинга. Многие компании, использующие эти инструменты, в настоящее время производят прогнозы, основанные на предположениях, с ограниченной точностью. [7]
Аналитические подходы к прогнозированию развития торговли
[ редактировать ]TPF усложняется тем, что кампании описываются как количественными (например, цена и скидка), так и качественными (например, демонстрационная площадь и поддержка со стороны торговых представителей) переменными. Для решения этой и других проблем разрабатываются новые подходы. Большинство этих подходов пытаются включить большие объемы разнородных данных в процесс прогнозирования. Один исследователь подтвердил способность моделей многомерной регрессии прогнозировать влияние на продажи продукта многих переменных, включая цену, скидки, визуальный мерчендайзинг и т. д. [8]
Термин « большие данные» описывает растущий объем и скорость разнородных данных, поступающих на предприятие. Данные можно использовать для повышения точности прогнозов продвижения торговли, поскольку они обычно содержат реальные связи и причинно-следственные связи, которые могут помочь лучше понять, что покупают клиенты, где они это покупают, почему они покупают и как они покупают. Часто задача состоит в том, чтобы объединить эти данные из всех источников внутри организации в одно представление. [9]
Традиционных методов недостаточно для усвоения и обработки такого большого объема данных. Поэтому для решения этой проблемы были разработаны более сложные модели и алгоритмы. Некоторые компании начали использовать методы машинного обучения , чтобы использовать огромные объемы неструктурированных и структурированных данных, которые они уже имеют, чтобы лучше понять эти связи и причинно-следственные связи. [10]
Машинное обучение может позволить распознавать общие характеристики рекламных мероприятий и определять их влияние на обычные продажи. Обучающиеся машины используют более простые версии нелинейных функций для моделирования сложных нелинейных явлений. Обучающиеся машины обрабатывают наборы входных и выходных данных и разрабатывают модель их взаимосвязи. На основе этой модели обучающиеся машины прогнозируют результаты, связанные с новыми наборами входных данных. [10]
Интеллектуальное машинное обучение (IML) — это реализация коммутируемых нейронных сетей, примененная к TPF. Начиная с набора рекламных характеристик, IML способен идентифицировать и представить в понятной форме существующие корреляции между соответствующими атрибутами и ростом. Этот подход предназначен для автоматического выбора наиболее подходящей модели подъема, чтобы описать будущий эффект запланированного продвижения. Кроме того, новые рекламные акции автоматически классифицируются с использованием ранее обученной модели, что обеспечивает простой способ изучения различных сценариев «что, если». [11]
Системы TPF должны быть способны сопоставлять и анализировать огромные объемы необработанных данных в различных форматах, таких как истории корпоративных продаж и онлайн-данные из социальных сетей. Анализ должен проводиться очень быстро, чтобы планировщики могли быстро реагировать на сигналы спроса. [12]
Groupe Danone использовала технологию машинного обучения для прогнозирования продвижения ассортимента свежих продуктов, характеризующихся динамичным спросом и коротким сроком хранения. Проект повысил точность прогнозов до 92 процентов, что привело к повышению уровня обслуживания до 98,6 процентов, сокращению упущенных продаж на 30 процентов и сокращению устаревания продукции на 30 процентов. [13]
Ссылки
[ редактировать ]- ^ « Управление продвижением торговли: имущие и неимущие », Технология потребительских товаров , сентябрь 2012 г.
- ^ «Санхир Ананд и Нари Вишванатан, « Планируйте, тратьте и процветайте: максимально эффективно продвигать торговлю », Отчет об исследованиях AberdeenGroup, сентябрь 2007 г.
- ^ Майкл Трусов, Ананд В. Бодапати, Ли Г. Купер, « Планирование продвижения розничной торговли: повышение точности и интерпретируемости прогнозов », Журнал интерактивного маркетинга , лето/осень 2006 г.
- ^ «Половина компаний, производящих потребительские товары, все еще используют Excel для прогнозирования, нуждаются в более совершенных инструментах», TechJournal , 3 августа 2012 г.
- ^ Кевин Пермент, « Управление торговым продвижением: избыток Excel!» Архивировано 29 октября 2013 г. в Wayback Machine », блог AberdeenGroup , 21 августа 2012 г.
- ↑ Энн Гракин, « Встряхивание статус-кво в управлении спросом. Архивировано 18 января 2013 г. в Wayback Machine », The Brief , 9 октября 2012 г.
- ^ Нари Вишванатан, « Отзывчивое управление продвижением торговли: создание единой версии истины », Supply Chain Brain , 18 февраля 2009 г.
- ^ Баласубраманиан Канагасабапати, К. Энтони Арокия Дурай Радж, Б. Шобан Бабу, Митул Шах, « Прогнозирование объемов торгового продвижения в отрасли потребительских товаров с использованием рыночных факторов », Международный журнал бизнес-прогнозирования и маркетинговой информации , 2009 г., том 1, № 2. , стр. 139 – 152.
- ↑ Джон Бруно, Радика Субраманиан, « Большая ценность больших данных: изучение моделей покупок клиентов », Forbes.com , 25 сентября 2012 г.
- ^ Jump up to: а б « Применение обучающихся машин для прогнозирования продаж в рамках рекламных акций », Римский университет ACTOR, 8 апреля 2011 г.
- ^ Э. Феррари, М. Муселли, «Эффективные конструктивные методы обучения переключающихся нейронных сетей», Конструктивные нейронные сети , Исследования в области вычислительного интеллекта, Vol. 258, страницы 25–48.
- ↑ Евгений Абрамович, Прогнозирование рекламных акций, « Не обязательно использовать перо, чтобы расколоть кокос », MyCustomer.com , 13 декабря 2012 г.
- ↑ Стив Штойтерманн, Ноха Тохами, « В поисках совершенства в управлении спросом: прогресс, заархивированный 5 сентября 2012 г. в Wayback Machine », Конференция руководителей цепочек поставок Gartner, Лондон, Великобритания, 17–18 сентября 2012 г.