Тренды FMCG и применение искусственного интеллекта для повышения эффективности предприятий
Мир меняется очень быстро. Пандемия, цифровая трансформация, уменьшение платёжеспособности населения: мы стоим перед очень серьезными вызовами и выборами. Сейчас самое время остановиться и оценить ситуацию, увидеть те координаты, в которых мы находимся, узнать о возможностях, которые появляются, чтобы помогать справляться с этими непростыми временами. Эксперты Microsoft, Labelmen и Beltel Datanomics обсудили маркетинговую ситуацию в точке now и поговорили о технологиях, которые помогут занять лидирующие позиции на рынке и опередить конкурентов.
Мировые тренды
Ландшафт потребительских товаров сейчас меняется быстрее, чем когда-либо прежде. Глобальная пандемия фактически ускорила необходимость цифровой трансформации. В 2020-м году мы наблюдали, как трансформация, на которую ранее уходило два года, происходила за два месяца. Можно выделить несколько основных трендов:
- Персонализация и тренд на общение брендов с потребителями напрямую
- Сокращение отходов и пластика за счет более точного прогнозирования производства
- Удовлетворение спроса нового поколения покупателей, что сильно влияет на скорость инноваций.
Рисунок 1. Мировые тренды в отрасли потребительских товаров. Исследование Microsoft
Глобальные исследования и опыт Microsoft позволяют выделить четыре основных действия, которые рекомендуется предпринимать компаниям FMCG отрасли для завоевания и удержания лидирующих позиций на рынке:
- Развитие клиентского опыта
- Применение IoT-технологий на всех этапах работы предприятия
- Оптимизация операций для последовательного и устойчивого развития продукта
- Ускорение инноваций
А что в России?
Во время пандемии звучало много громких заявлений, что мир никогда не будет прежним. Потребители начали экономить – реальные доходы в 2020-м году упали. Переходя от мировых трендов к российским реалиями, необходимо отметить, что Россия в тройке самых пострадавших стран по снижению уровня потребительского спроса.
Рисунок 2. Изменение потребительского спроса по данным Nielsen
Если в начале прошлого года в стране экономило 46% населения, то в конце года экономило уже 70%.
Рисунок 3. Изменение доходов россиян в 2020 г. по данным Nielsen
Как показывает график выше, увеличились группы с низкими доходами.
Стратегии экономии были следующими: 67% искали скидки, 37% искали собственную торговую марку и некоторые искали просто самые дешевые товары. При этом в России очень велика лояльность к бренду. Оптимизируя расходы, покупатели оптимизировали продукты питания, одежду, бытовую электронику. Более всего сокращению подверглась так называемая категория излишеств, куда входят, например, туристические поездки и развлечения.
Также заметным трендом стала технореволюция, когда покупатели разделились на технооптимистов и технопессимистов. Первые говорили, что все покупки теперь будут только в онлайне. Вторые признавали, что в эпоху пандемии без онлайна не могут, но надеются в будущем на возращение к привычному офлайну. При этом за время пандемии 15 миллионов человек начали совершать покупки онлайн.
Рисунок 4. Изменение доходов онлайн ритейлеров в 2020 г. по данным Nielsen
На рисунке 5 показано, как изменилась во время пандемии потребительская корзина. По всем представленным на картинке категориям отмечается не снижение потребления, а наоборот, повышение.
Рисунок 5. Изменение потребительской корзины в 2020 г. году по данным Romir
Наиболее всего увеличилось потребление следующих товаров: селедка, вафли, плавленый сыр, сухие завтраки, йогурт, консервы, лапша быстрого приготовления, сосиски, сигареты, сгущенное молоко.
Различные аналитические компании провели исследования и выяснили, какие продукты были самыми популярными в пандемию. Оказалось, что только в России на первое месте по потреблению вышли энергетические напитки, возможно, это объясняется нехваткой эмоций. На втором месте макаронные изделия, а на третьем – чистящие средства.
Также неожиданным фактом стало то, что в тот момент, когда в России появился тренд на увеличение упаковки в сторону семейной, более экономичного варианта, в Европе производители наоборот стали уменьшать её размер.
В первый период пандемии, в фазу паники рынок FMCG увеличился на 114%, и в период адаптации продолжил рост. Однако анализируя различные срезы на год, сейчас мы понимаем, что возвращаемся на те же самые позиции. Вопреки революционным заявлениям в начале пандемии предпочтения потребителей практически не изменились.
Почему стандартных ERP-систем недостаточно и нужен искусственный интеллект
Говоря о технологиях, которые могут повысить эффективность работы производителей FMCG ритейла, нельзя не отметить решения на базе искусственного интеллекта.
Текущей реальностью ритейла является значительный объем ручного труда при прогнозировании акций. Стандартные алгоритмы скользящих средних, которые применяются в ERP-системах показывают неудовлетворительный результат при прогнозировании акционных товаров, что приводит к дефицитам или, наоборот, необоснованным страховым запасам и снижению товарооборачиваемости.
Другая проблема – отсутствие системного подхода к прогнозированию. То есть нет сквозной аналитики по всем системам предприятия: производства, маркетинга, закупок. Новый подход к прогнозированию – переход от сложных алгоритмов к управлению бизнес-процессами на основе данных, то есть к машинному обучению.
Прогнозный сервис Datanomics
Datanomics Demand Forecast (DDF) – облачный сервис на базе алгоритмов машинного обучения, разработанный с учетом специфики ритейла и FMCG отрасли. Сервис автоматически рассчитывает прогноз точнее по сравнению с традиционными методами прогнозирования.
Принцип – научить машину прогнозировать на базе ваших исторических данных.
Для автоматического прогнозирования нужны исторические данные минимум за два года, поскольку для FMCG очень важна сезонность. Это должны быть данные по продажам или чекам (для ритейла), истории акций, истории возвратов, уценок, списаний, данные по остаткам. Также нужны справочники товаров и магазинов. На все эти данные накладываются внешние факторы: праздники и выходные дни, сезонность, погодные условия и прочее. Например, хлебопёки всегда учитывают Пасху.
На основе полученных данных строится модель машинного обучения. Чтобы решение работало корректно, данные должны регулярно выгружаться, что не представляет сложности благодаря облачным технологиям.
Пример прогнозирования на рисунке 6. Прогноз представлен в разрезе магазина и SKU. Красная линия показывает результат автоматического прогнозирования, синия – фактический спрос. Зеленой линией обозначен период акции на данный продукт.
Рисунок 6. Пример прогнозирования в период акций
На рисунке 7 пример прогнозирования зеленого лука в новогодние праздники. График показывает, что система безошибочно спрогнозировала значительный скачок спроса на данный продукт.
Рисунок 7. Пример прогнозирования в период новогодних праздников
Сейчас прослеживается тренд на комбинированные акции, например, при покупке масла батон собственного производства в подарок. Для прогнозирования (не только в автоматическом режиме) подобные акции сложны, поскольку истории по их проведению нет, часто они проводятся разово.
Решит ли искусственный интеллект все проблемы ритейлеров и производителей?
Однозначно можно сказать, что прогноз эффективности внедрения для ритейла более позитивный, поскольку ритейлеры имеют доступ к информации о продажах. Производителям несколько сложнее, потому что они могут не понимать, что реально происходит в магазинах, акции на какие товары проходят в их категории. Хорошее решение для производителей – сотрудничество с ритейлером.
Однако несмотря на перечисленные сложности производителей снижение ошибки прогнозирования спроса во время акций составляет 24-40%. Как только увеличивается точность, происходит меньше внеплановых распродаж и снижение трудозатрат.
Стоит ли прогнозировать повсеместный переход на машинное обучение? Сейчас многие производители смотрят друг на друга. Не стоит забывать, что прогнозирование на базе машинного обучения – это элемент конкурентного преимущества, информацией о котором не всегда делятся. На наш взгляд, со временем к такому подходу придут все предприятия.
Дополнительно:
Преимущества алгоритмов машинного обучения для прогнозирования спроса (datanomics.ru)
Почему важно поддерживать актуальность данных по акциям и остаткам (datanomics.ru)