Как найти будущий спрос

Всем привет! Представьте себе ситуацию: ваша уютная маленькая команда Data Science занимается прогнозированием спроса для пары десятков дарксторов с помощью какого-нибудь коробочного Prophet. И в один прекрасный день к ней приходит бизнес. Бизнес садится, закидывает ногу на ногу, закуривает сигару и говорит:

«Мы хотим максимально автоматизировать закупки. Нам нужно, чтобы вы умели строить прогноз по всем товарам, старым и новым, для всех дарксторов, старых и новых. А их будет много, их будут сотни, тысячи, миллионы. А ещё у нас будет миллион видов скидок и разные типы ценообразования, и ещё куча промо-механик и конкурсов интересных. Мы хотим, чтобы прогноз обязательно адекватно на всё это реагировал». (с) Типичный Бизнес

Хорошо, думаем мы, кажется, что это звучит нетрудно… 

С этой задачи и начинается наша история о прогнозе спроса в Самокат. Меня зовут Мария Суртаева, я Data Scientist и расскажу о концепции прогноза спроса, его практических задачах и роли градиентного бустинга.

---

Для начала сделаю краткое отступление, почему мы вообще заговорили об этом. Самокат растёт и развивается, дарксторов и поставщиков появляется всё больше, растёт ассортимент. В таких условиях необходимость в оптимизации закупок становится постоянной. Напрашивающийся способ оптимизировать их работу – это автоматический заказ и прогнозирование спроса.

Когда бизнес пришёл к нам с задачей «максимальной автоматизации закупок», мы первым делом прикинули, сколько прогнозов нужно будет строить.

Если принять за прогнозную точку единицу спроса на товар, на одном дарксторе за один день, то нам нужно было строить прогноз по 2 миллионам точек с горизонтом прогнозирования шесть недель. Это более 87 миллионов прогнозов ежедневно. Понятно, что для того, чтобы справляться с этими объёмами, нужно было либо растить команду закупок теми же темпами, какими растёт сеть Самоката, либо выстраивать автоматизированный процесс. 

Перед тем, как мы перейдём к нашим трудностям и как мы их решали, у меня есть для вас небольшая задачка. Все персонажи вымышлены, совпадения случайны, поэтому это определённо не подсолнечное масло из заголовка.

Представим, что у нас есть временной ряд некоторого подсолнечного масла: он характеризует динамику продаж на одном дарксторе, и у него есть недельные средние значения. Вы – закупщик, и вам нужно предположить, сколько нужно закупить этого масла на следующие две недели, опираясь на историю продаж.

Ответ

Ниже речь пойдёт о временных рядах, так что на всякий случай вспомним основы. 

Задача прогнозирования временных рядов 

В зависимости от конкретной предметной области задача формулируется по-разному, но, как правило, звучит она так.

У вас есть последовательные точки процесса в определённые моменты времени t, вам нужно предсказать, где эти точки будут в последующие моменты времени, по возможности извлекая информацию из временной зависимости от t. 

Базовые подходы к извлечению этой информации, как правило, строятся на разных скользящих статистиках и сглаживаниях (например, модель Хольта-Винтерса). Туда же можно отнести выявление авторегрессионных и сезонных компонент – семейство алгоритмов ARIMA, SARIMA, SARIMAX и другие. 

Но мы хотим учитывать очень много разных факторов. Это достаточно однозначное пожелание бизнеса, мы не можем от него просто отмахнуться.

Можно посмотреть на Prophet, но как быть тогда с прогнозированием новых товаров и временных рядов без истории? Да и Prophet – не рекордсмен по скорости прогноза, простые тесты показались нам вечностью… У него есть прокачанный собрат, NeuralProphet, но и тут промах: нам нужно сохранять интерпретируемость для закупщиков и бизнеса.

Есть ещё семейство подходов MCMC, которые с некоторыми оговорками позволяют нам строить прогноз даже без исторических данных. Но будем честны, это очень тяжело поддерживать и масштабировать. 

Через такие размышления мы пришли к методам классического машинного обучения, а именно: моделям градиентного бустинга. Они позволяют нам получать неплохой прогноз по большой сети, легко масштабироваться и учитывать много-много факторов. Вроде бы всё круто. На первый взгляд.

Бустинг: хороший, плохой, наш

Естественно, бустинг не может быть идеален, и у него есть ряд известных ограничений математической модели. 

• Мы не можем сразу получить хороший прогноз на коротком временном ряду или на отсутствующей истории (пока ещё нет). 

• Слабые экстраполирующие способности бустинга – это тоже проблема, потому что мы уже заранее знаем, что сеть и обороты будут расти и мы можем просто не успевать за растущим трендом. 

• Прерывистый временной ряд — это всегда проблемно для прогнозирования.

Всё это больно, но вот что смертельно. На самом деле бизнесу не нужен хороший прогноз по всей сети, бизнесу важен отличный прогноз по 5-10% самым маржинальным и самым важным для клиента товарам. От этой постановки меняется всё. 

Это значит, что бизнесу не очень интересно, как классно мы опустили MAPE, или WAPE, или sMAPE или что угодно ещё  по целой сети в Подмосковье. Бизнесу важно болеть за главного героя – за самый любимый продукт, за самый маржинальный и оборотистый товар. Потому что если его доступность или выручка упадёт на одном или двух дарксторов в Санкт-Петербурге, для бизнеса это будет критичнее, чем если мы просто не закупим целые категории в Наро-Фоминске (простите, ребята из Наро-Фоминска). Жестоко, но правдиво: товары не равнозначны с точки зрения ошибки модели. 

Поэтому очень важно перестать смотреть на абстрактные цифры, которые позволяют нам сравнивать модели между собой, а начать задавать правильные вопросы к бизнес-процессам. Именно это позволит нам правильно найти золотую середину между перепрогнозом и недопрогнозом. Это позволит нам понять, какие цены ошибок нам нужно назначать, в каком направлении, для каких товаров. Возможно, понимание ответов приведёт нас к выводу о том, что нам нужна совсем другая базовая модель. Но мы этому выводу пока сопротивляемся, поэтому сейчас я буду рассказывать про четырёх злейших врагов прогноза спроса, если у вас в продакшене живёт градиентный бустинг.

Четыре всадника прогноза спроса

Новые товары

Первое очевидное препятствие на пути автоматизации – это прогнозирование того, о чём вы ещё ничего не знаете. Я начну с новых товаров, потому что это кейс, который в случае градиентного бустинга довольно просто нивелируется количеством и многообразием факторов в датасете. Важно добавить максимальное число факторов, которые не зависят от продаж товаров. Это категориальные признаки группы товаров: категории, подкатегории и их характеристики.

Также важно включать информацию о динамике продаж в категориях. Мы здесь исходим из предположения, что товары объединены в категории по некоторым общим свойствам, которые также могут отражать спрос на них. Поэтому если мы предполагаем, что доминант в этих категориях нет, то спрос на новый товар будет стремиться к некоторому обобщённому спросу на усреднённый товар в категории. В целом это даёт уже неплохое приближение в случае, если мы ещё не видели вообще никаких продаж. 

Если ваш новый товар стартует с промо, это тоже обязательно нужно учесть в факторах, а также добавить информацию о ценовой категории, о средней цене в категориях и подкатегориях и о соотношениях между ними. 

Всё это очень подробный способ сказать вашей обобщающей модели о том, что если у вас есть какой-то новый товар в категории «Йогурты», который выглядит как йогурт и который стоит как йогурт, скорее всего, его можно прогнозировать как некоторый усреднённый уже известный йогурт, который вы уже умеете прогнозировать. 

Но что делать, если новых товаров много или вообще всё? Как быть, если даркстор только открывается, и вы ещё не знаете, как там вообще всё будет продаваться? На самом деле, здесь мы тоже используем подход с метаинформацией, с характеристиками даркстора, которые не зависят от продаж. В частности, мы можем использовать информацию о том, что это вообще за даркстор, как далеко он находится от центра, какая у него плотность населения, какая у него зона покрытия и так далее. 

Эти характеристики позволяют вам построить многомерное пространство признаков дарксторов и натравить хотя бы наивный метод K ближайших соседей. Таким образом, вы можете найти K наиболее похожих дарксторов, и предположить, что спрос на них будет в целом походить на ваш новый даркстор. Тогда в качестве прогноза можно использовать статистики продаж за последний период на реальных самых похожих дарксторах. Иными словами, если вы не знаете, как будут продаваться все товары в новом спальнике в Казани, посмотрите на три других спальника в Казани. Это работает.

Ещё здесь нужно упомянуть о том, что если ассортимент товаров от даркстора к даркстору сильно варьируется, у вас, оказывается, много товаров, по которым у вас нет статистик, в том числе на наиболее похожих дарксторах. В этом случае можно использовать уже упомянутый мной подход с усреднением статистик в динамике категорий. 

Ещё нюанс. На самом деле не каждое открытие – такое уж открытие. Очень часто бывает так, что новый даркстор открывается с переездом и отнимает часть зоны от уже существовавшего даркстора. Эта зона может занимать разный процент от территории к территории: от 1% до 99%. В этом случае это чисто дело техники хранения данных. Если вы заранее можете перенести часть заказов из общей зоны к обоим дарксторам, то есть создать дубликаты заказов для ещё не открывшегося дакрстора, то у вас уже имеется история продаж для этого переезда ещё до начала прогнозирования. 

Таким образом, мы можем совместить прогноз, построенный на реальных данных с “общей” территории дарксторов, с усреднённым прогнозом от наиболее похожих соседей пропорционально долям этих территорий в зоне открывающегося даркстора. Этот “правдивый вклад” позволит дополнительно улучшить прогноз.

Заниженная доступность / уценка

Следующее препятствие – это злополучный баланс между перепрогнозированием и недопрогнозированием. Есть ловушка, в которую можно попасть, если смотреть только на сырые данные продаж. Предположим, что вы заказали мало товаров для даркстора, недопрогнозировали, и товар быстро закончился. Его, конечно, купили, но купили не так много, как могли бы. Модель увидела низкие продажи, построила на этом заниженные статистики и снова даёт низкий прогноз.

Возмутительно, но так. Это называется «ловушка заниженной доступности», и любой закупщик знает, как с этим бороться. Мы применяем к нашему таргету преобразование под волшебным названием «восстановление спроса с учётом доступности». 

Доступность – это очень важный фактор, который присутствует в любом ритейле; он отражает реальную причину того, почему продажи товара низкие. Либо на товар существует в действительности низкий спрос, и товар просто никто не хочет; либо в дарксторе присутствует постоянный недостаток товара на полках. Это супер-нежелательная ситуация для бизнеса – ведь вы не максимизируете выручку, и необходимо искусственно увеличить эти продажи. 

На картинке показываю, как преобразуется линия фактических продаж с учётом доступности. Понятно, что если вы хотите максимизировать выручку с даркстора, вам нужно стремиться к жёлтой линии, а не к розовой. 

Преобразование нужно проводить аккуратно. Функция должна быть подобрана достаточно нежно, потому что вы не можете просто огульно завысить продажи, так как они получатся слишком большими – такими, как никогда не могли бы быть в реальности. 

Поэтому не заигрываемся с преобразованием таргета и всегда добавляем информацию о том, насколько таргет изменён, насколько он достоверен в вашем датасете. Чтобы модель могла взвешивать, в какой мере это истинный ответ, а в какой мере – наши домыслы и целевые показатели бизнеса. 

Есть также противоположная ловушка, с перепрогнозами. В Самокате есть система автоуценки: если вы заказали слишком много, и срок годности товаров скоро истекает, то назначаются большие скидки автоматически. Это то, что вы можете видеть в блоке «Распродажа» в нашем приложении – всегда с большими скидками на товар. 

Люди любят большие скидки, люди покупают много товара. Но этот процесс не является нормальным, и товар продаётся в убыток бизнесу. Модель видит при этом большие продажи, строит завышенные статистики, и такая: «Классно, давайте я буду прогнозировать ещё больше, почему бы нет?» 

Выход из этой ловушки получается чуть более техническим. Скорее всего у вас достаточно накопленных данных, чтобы не продумывать преобразование таргета в этом случае, просто исключайте его. В системе хранения данных обязательно должен быть однозначный источник скидки, который отражает, насколько эта продажа соответствует запланированному процессу. Важно показывать модели те данные и такое поведение, к которым вы стремитесь, то есть доступность порядка 90-100% и исключительно запланированные промоакции, никакой самодеятельности. 

Плохая экстраполяция и нечувствительность к трендам

Другой частый камень в огород градиентного бустинга – это слабые экстраполирующие свойства. На самом деле бо́льшая часть моделей машинного обучения построена таким образом, чтобы обобщать и интерполировать, а не экстраполировать; с экстраполяцией у них довольно плохо. В частности, если мы рассматриваем деревья решений, то кусочно-линейное приближение с постоянным ответом в областях разбиения нам закономерно не помогает приближаться к ответу вне примеров обучающей выборки. В случае с прогнозом спроса, когда у вас таргет неотрицательный, это ещё значит, что ваша модель будет склонна недопрогнозировать. 

На практике существует три способа этого избежать. 

Первый способ – это бизнес-решение и замечание к логистике. У вас всегда должны быть страховые запасы. Они позволяют вам не сильно обращать внимание на ошибку с товарами с низким оборотом – всегда есть какой-то минимальный запас, который хранится на дарксторе. Но при этом в случае со скоропортящимися товарами и высокооборотистыми товарами страховые запасы довольно сильно влияют на доступность и на другие бизнес-показатели. Поэтому вам нужно как можно глубже интегрировать эти данные в прогноз скоропорта.

Второй способ – несимметричные лоссы. Если вы будете штрафовать модель за недопрогноз больше (потому что бизнесу, как правило, недопрогнозы обходятся дороже, чем перепрогнозы), то модель будет больше обращать внимания на недопрогнозы – результаты улучшатся, бизнес удовлетворится.

Третий способ, на мой взгляд, самый эффективный – это дополнительный модуль управления уже готовым прогнозом. О нём поговорим подробнее.  

Мы построили модуль статистических корректировок, чтобы напрямую влиять на экстраполирующие свойства градиентного бустинга и подталкивать нашу модель. Статистический блок смотрит на последние сформированные прогнозы, на исторические продажи за последний период и строит распределение ошибок.

Если мы видим, что ошибки сохраняют знак на протяжении длительного времени, если они увеличиваются в абсолюте, то мы добавляем смещение. Смещение, естественно, вычислено в зависимости от направления ошибки и в зависимости от её величины. Бонусом у нас идёт детектор тренда. Это могут быть разные математические инструменты его обнаружения, но в нашем случае довольно неплохо справляются базовые линейные подходы. Если мы видим тренд, мы также можем добавить смещение. В итоге у нас получается более корректный прогноз и ускоренная реакция модели на изменение поведения временного ряда. Примеры таких прогнозов приведены ниже.

И что мы в итоге имеем? У нас есть бустинг, который учится на хорошем таргете – преобразованном или исключённом. У нас есть дополнительный модуль, добавляющий смещение к нашему прогнозу, чтобы модель реагировала оперативнее и лучше экстраполировала. У нас также есть дополнительный блок с kNN, позволяющий получать прогнозы на новых дарксторах. 

В целом, эта система уже даёт хороший прогноз по большей части сети. Поэтому сейчас самое время встретиться с нашим главным злодеем – с препятствиями, которые  не позволяют нам отлично предсказывать вообще всё. 

Выбросы и шумы

Это те пики продаж при невероятном маркетинге из примера в начале статьи, любые ошибки и внешние обстоятельства. Всё то, что отличает модели машинного обучения от ясновидящих, кроме того, что машинное обучение не берёт денег за прогноз. 

Помимо зашумлённых рядов есть суперволатильные временные ряды, где подневные продажи варьируются от 2 до 35 штук, что тоже довольно неприятно. 

У нас есть мистические исчезновения товара из продаж на нехарактерный период. Причиной может служить почти что угодно: внезапный вывод товара из ассортимента, разрыв отношений с поставщиком, массовое разочарование в чипсиках и так далее, нужное подчеркнуть.

Я не знаю, есть ли серебряные пули от всех этих корнер-кейсов. Скорее всего, решение каждой этой проблемы потребует от вас построения системы, по сложности и громоздкости сравнимой со всей остальной архитектурой прогноза. Но вот к каким мыслям это приводит:

• Здорово, если у вас есть детектор аномалий, и вы можете скрывать вот эти ужасы от модели. В этом случае временная дестабилизация временного ряда не попортит все последующие прогнозы. 

• Хорошо, если в модель зашиты разные виды сглаживания – либо исторических продаж, либо прогнозов, какие угодно. Вы делаете ставку на сходимость сумм продаж и прогнозов в среднем и можете прогнозировать волатильные ряды с помощью агрегаций. 

• Прекрасно, если у вас есть механизм исключения подозрительных пробелов из данных. В нашем случае работает исключение данных с нулевой доступностью для построения статистик. 

• Превосходно, если у вас есть механизм учёта сезонности товара, и резкое повышение спроса или снижение спроса не будет для вас сюрпризом. 

К этому моменту мы уже перечислили то, что нам пришлось провернуть для того, чтобы градиентный бустинг более или менее хорошо работал у нас в проде. Самое время подсчитать количество соломы, которое оказалось раскиданным в результате того, что в самом начале мы (возможно) немножечко неправильно приоритизировали пожелания бизнеса. 

Как жить дальше

Нам хотелось, чтобы всё было так: у нас есть данные, мы отдаём данные в модель, модель выдаёт нам прекрасный прогноз всегда и везде. Супер!

Но на практике мы быстро поняли, что нам нужно очень много данных, очень разных, из разных источников, а ещё логика преобразования таргета.

Затем у нас добавился модуль с кластерным анализом и с kNN, чтобы получать прогноз по новым товарам и для новых дарксторов. 

Далее мы решили, что наш прогноз всё ещё недостаточно идеален, и добавили модуль статистических корректировок, чтобы подталкивать его в нужном направлении изменения спроса. 

Потом у нас появился ещё детектор тренда, потому что а почему нет – чтобы корректировать прогноз ещё лучше. 

И даже это тоже не всё: есть ещё много модулей, описание которых уже никак не укладывается в рамки данной статьи.

И вот мы здесь. Сидим, смотрим на разрастающуюся схему архитектуры прогноза и доработок с чётким осознанием того, что проект призван решать гораздо больше задач, чем просто прогнозирование числа проданных товаров на дарксторах. Этот факт может остаться незамеченным при стандартной методике подсчёта ошибок прогноза, но достаточно сильно при этом влияет на бизнес-показатели и сказывается на бизнесе. 

От наивного прогноза спроса к интеллектуальной системе прогнозирования за четыре шага

Итак, что мы вынесли из этой истории? Очень важно изначально понимать суть бизнес-задачи. Это позволит от исходной наивной схемы, где есть только данные, модель и прогноз с простым установка «прогнозируем все товары на всех дарксторах», прийти к более детальной задаче о построении полноценной интеллектуальной системы. 

Чтобы эта система максимизировала выручку, нужно пройти четыре этапа:

1. Хорошо отфильтровать данные. Фильтрация и препроцессинг – это то, с чем нельзя переборщить. 

2. Построить упрощённые подходы для новинок. Простой подход в условиях отсутствия данных – скорее всего, лучший подход. 

3. Восстановить спрос, преобразовав таргет там, где это необходимо. 

4. Помочь деревьям экстраполировать и улавливать тренды. Нам нужно подталкивать нашу модель там, где она недотягивает. 

Только таким образом мы и можем растить бизнес-метрики – а значит, прогнозировать спрос, не теряя головы. 

P.S.: Костыли вокруг бустинга – увлекательное дело, но не единственное, чем мы занимаемся в команде Data Science. 

Ещё мы моделируем промо-механики и эластичность по различным факторам, изучаем эффекты перетекания спроса и каннибализации. Исследуем, как наша система прогноза спроса взаимодействует с другими продуктами из Data Science: с персонализацией, рекомендациями, минимальными чеками и всем-всем-всем. 

Напишите в комментах, если вам хотелось бы почитать о каких-нибудь из этих тем?

Обзор классических методов прогнозирования спроса. Их достоинства и недостатки

Вы подготовили данные для расчётов, «очистили» их от дефицита, акций, сезонности и прочих факторов. Об этом мы говорили в статье «Как подготовить историю продаж, чтобы получить корректный прогноз спроса». Как теперь спрогнозировать спрос, чтобы понять, какое количество товаров нужно заказать на будущее? 

Сегодня разберёмся, какие существуют подходы и методы прогнозирования потребительского спроса и как с ними работать.

Методы прогнозирования спроса: их эволюция

Итак, какие методы прогнозирования спроса существуют? На графике ниже видно, как они развивались.
Мы видим, когда и какие методы прогнозирования спроса считались рабочими. Так «расцвет» классических методов пришёлся приблизительно на 2008-2009 гг., затем активнее стали использовать квантильное прогнозирование и постепенно перешли к методам вероятного прогнозирования. Конечно, временные рамки здесь условные, ведь несмотря на то, что уже появились более современные методы, классическое прогнозирование до сих пор используется.

Подробно о том, как развивались алгоритмы прогнозирования спроса смотрите в ролике на нашем youtube-канале.

Экспертные модели прогнозирования спроса

Прежде чем перейти к разбору каждого метода в отдельности, поговорим о так называемых экспертных способах прогнозирования спроса. Они до сих пор часто используются на практике. В чём их суть: некий эксперт, который хорошо знает ассортимент, выставляет пороговые значения спроса по отдельным позициям.

Классический экспертный метод – способ минимакса, где для каждой позиции устанавливается максимальное и минимальное значение запаса. Если он опускается до какого-то минимума, формируется точка запаса, и мы заказываем товара столько, чтобы хватало до максимума. 

Недостаток этого метода в том, что мы не можем корректно выставлять и пересчитывать минимаксы по десяткам тысяч товарных позиций. Кроме того, спрос по товарам постоянно меняется. Возможно, такие методы прогнозирования потребительского спроса могут подойти для каких-то небольших объёмов. При широком ассортименте, множестве торговых точек и динамично меняющемся спросе применять такой метод прогнозирования нецелесообразно. Это может привести как к сверхзапасам, так и к дефицитам.

Общий принцип методов классического прогнозирования

На основании какого-то спроса в прошлом периоде мы можем спрогнозировать, какой спрос или какие продажи у нас будут в будущем. Общая особенность методов классического пронозирования в том, что прогноз спроса на день, на неделю, на месяц (исходя из нашего периода расчёта) будет равен какому-то одному числу.

Внутри классического прогнозирования могут использоваться разные модели прогнозирования спроса от простых до сложных. Например:

• по средним продажам (SMA и т.д.)
• экспоненциальное сглаживание (простое и двойное) — ES
• авторегрессия (1 и 2 порядка) – AR
• Arima (AR+MA)
• Метод Хольт-Винтерса
• Нейронные сети и генетические алгоритмы (NN+GA)

Набор методов разный, но главная их особенность в том, что на выходе получается одно число.

Рассмотрим основные методы.

Расчёт по среднему (SMA), или простая скользящая средняя

Это один из самых простых и распространённых методов прогнозирования спроса, которым до сих пор пользуются многие компании. 
Формула простого скользящего среднего(SMA) выглядит так:

Прогноз(t+1) = (1/(T+1)) *[Продажи(t)+ Продажи(t-1)+…+ Продажи(t-T)]

Для того чтобы просчитать спрос по этому методу, необходимо:

• Выбрать ширину окна Т, где Т указывает, за какой период мы будем усреднять продажи. Если мы управляем дневным спросом, то за 2-3 последних дня, 7 последних дней и т.д. Если считаем спрос по месяцам, то за последние 2,3, 4, 5 месяцев.
• Для прогноза на следующий период будем брать среднее за выбранную ширину. Допустим, мы строим прогноз на 10-й день. Ширина окна 5 штук и значит мы берём среднее за последние 5 дней. Получили продажи за новый день и опять берём среднее за последние 5 дней. Таким образом мы прогнозируем данные и наш спрос на будущий период. 
• Продажи мы можем брать как подряд, которые шли в предыдущем периоде, так продажи за тот же период в этом же месяцев в этом же году и т.д. Здесь можно гибко подходить к периоду расчёта данных, который мы берём для получения среднего.

Посмотрим, как работает такое прогнозирование на примере в Excel.

У нас есть ряд продаж и дальше мы хотим построить прогноз. Продажи агрегированы по месяцам, и, допустим, мы хотим сделать прогнозы на помесячные периоды. Для этого выбираем ширину окна – считаем среднее за последние 2,3, 4, 10 месяцев. Если выбираем ширину окна 2, а продажи в ноябре и декабре были 15 и 40 соответственно, то в январе в среднем прогнозируем 27,5, в феврале – 40. 

Чем шире окно, тем ближе будут показатели к расчёту по средним за весь период. На графике это видно: синим цветом обозначены реальные продажи, остальные графики – это продажи с разной шириной окна. 

Такой метод может подходить для хорошо продающихся товаров, которые гладко стабильно продаются с небольшими колебаниями. За всю нашу практику он подошёл только одной компании. В остальных наших кейсах методы расчёта продаж по среднему даёт достаточно большие погрешности и неэффективны с точки зрения управления товарными запасами. Они приводят к дефициту или излишним запасам.

Посмотреть сравнение Forecast NOW! и модели Простой скользящей средней (SMA, Simple Moving Average) 

На смену этому методу пришли различные расчёты по средневзвешенному среднему. Рассмотрим их особенности.

Метод по Шрайбфедеру, или метод средней взвешенной

Если в прошлом методе мы считали спрос по средним продажам, то в этом появляются различные веса разных месяцев. Что мы делаем?

• Рассчитываем продажи на один рабочий день прошедших месяцев. Если были какие-то выходные, важно знать количество рабочих дней, чтобы посчитать средние продажи за эти дни. Например, в феврале 28 дней, а в январе из 30 вы работали 25. 
• Выбираем систему весов для прошедших месяцев. Какие-то данные будут более важными для построения расчётов, какие-то наоборот.
• Рассчитываем прогнозное потребление за 1 рабочий день будущего месяца исходя из прошлых продаж и весов.
• Рассчитываем прогнозное потребление за месяц исходя из числа рабочих дней.

Разберём на примере:

В первом столбце исходные данные по месяцам, и мы хотим построить на их основе прогноз на декабрь. Продажи в ноябре – 560 штук. Рабочих дней 28. Считаем потребление за один рабочий день – 20 штук. 

После того как мы получили месячное потребление для каждого месяца, используем систему весов. Шрайбфедер предлагает разные варианты системы весов. В данном случае мы взяли модель, в которой говорится, что недавние продажи более сильно влияют на наше построение прогноза.

Вес для ноября – 3, для октября – 2,5 и т.д. Самый большой вес у прошлого периода, наиболее ближнему к тому, к которому мы проводим расчёт. В данном случае это ноябрь. Дальше каждый месяц умножаем на его вес. 20х3 = 60. После считаем сумму всех месячных потреблений, умноженных на вес – 143. Общая сумма весов – 10.

Прогноз на декабрь = 143/10* 28(число рабочих дней) = 400 штук

В книге «Эффективное управление запасами» Шрайбфедер предлагает множество схем весов, которые могут подходить для разных товаров. Например:

• Простая шестимесячная (или трёхмесячная) средняя. Это расчёт среднего с окном 6. То есть необходимо взять 6 месяцев и посчитать среднее за этот период.
• Для сезонных товаров он выделял либо простую сезонную среднюю, либо сезонную взвешенную среднюю. Если мы строим прогноз на декабрь, то берём данные за последнюю зиму, либо сезонную взвешенную среднюю. В данном случае декабрь значит для нас больше, т.к. мы делаем прогноз на месяц. 
• Коэффициенты взвешенной средней. Это то, что было в нашем примере – 3, 2,5 и на убыль.

То есть здесь есть какой-то предполагаемый набор весов. На нашей практике встречалось, что компания разрабатывает собственный набор весов. Работать так можно, но независимо от того, как ответственно мы походим к расчётам этих весов, данный метод построения прогнозов имеют довольно большие ограничения.

Посмотрим пример расчёта по средневзвешенным продажам в Excel.

У нас есть ряд продаж, известно число рабочих дней в каждом периоде, и мы хотим построить прогнозы. Имеются прогнозы на 5 месяцев с весами от 3 до 1. И на три месяца с весами от 5 до 1. Продажи делятся на число рабочих дней, умножаются на вес этого месяца. Получившийся показатель делим на сумму весов и умножаем на число рабочих дней. Реализовать всё это в Excel достаточно просто. Логика такая: мы выбираем какую-то формулу весов, либо разработанную нами, либо предложенную в теории. И исходя из этой системы весов строим прогнозы. 

Метод экспоненциального сглаживания (ES)

Это ещё одна из самых простых моделей прогнозирования спроса, которая также часто используется на практике. Здесь логика в том, что прогноз спроса зависит от двух факторов:

• продаж в прошлом периоде;
• прогноза спроса, построенного на этот период каким-то методом.

Мы задаём коэффициент сглаживания (α), учитывая два этих фактора. Чем больше коэффициент α, тем сильнее влияние последних продаж на прогноз (от 0 до 10).

Прогноз (t+1) = (1 – α)* Прогноз(t) + α * Продажи(t)

Проводим расчёт на нескольких α и выбираем оптимальный. Метод рабочий, но нужно понимать, что коэффициент сглаживания не будет учитывать сезонные, трендовые товары и т.д. Поэтому математики разработали метод, который на основе этого позволяет работать с товарами разного характера и сезонностью. Так появился метод Хольта-Винтерса.

Посмотреть сравнение Forecast NOW! с методом экспоненциального сглаживания (ES)

Метод Хольта-Винтерса

Формула сложная. Не будем разбирать её детально, а посмотрим на её логику.

Y^[t+h] = (a[t] + h * b[t]) * s[t — p + 1 + (h — 1) mod p]

h – на какой период в будущем считаем
Y^[t+h] — прогноз на период номер h
p – период сезонности (для недельной 7)

Мы строим прогноз на будущий период, и он зависит от множества факторов. Что внутри этой формулы на самом деле «зашито»? Мы выделяем три основных фактора – сглаживание, тренд и сезонность. Для каждого этого фактора мы берём свои коэффициенты от 1 до 10.

a[t] = [α * (Y[t]/s[t−p])] + (1-α) * (a[t-1] + b[t-1]) – сглаживание
b[t] = β * (a[t] — a[t-1]) + (1-β) * b[t-1] — тренд
s[t] = γ * (Y[t]/a[t]) + (1-γ) * s[t-p] – сезонность
α, β, γ – коэффициенты (от 0 до 1)

Мы посчитали сезонный фактор, трендовый фактор, определили экспоненциальное сглаживание, подобрали коэффициенты и получили прогноз спроса на будущий период. Метод Хольта-Винтерса подходит для сезонных и трендовых товаров, которые постоянно продаются. Посмотрим на его реализацию в Excel.

У нас есть помесячно агрегированные продажи. Первым делом мы посчитали сезонный фактор методом по среднему (деление реальных продаж на средние продажи за период). Получили коэффициенты сезонности. Также посчитали коэффициент тренда и построили прогноз. Главное, что здесь надо понимать, при помощи этого метода мы можем учитывать сезонность, тренд и экспоненциальное сглаживание. Метод хольта винтерса может подходить для стабильно продающихся товаров только с ярко выраженным трендом.

Посмотреть сравнение Forecast NOW! с методом Хольта-Винтерса

Авторегрессия, Arima и другие методы

Позже появились такие модели прогнозирования спроса как авторегрессия и Arima, где для товаров строится модель спроса и подбираются коэффициенты. Для начала нужно выбрать период регрессии: сколько периодов прошлого брать для прогнозов. Следующий шаг – определить коэффициенты регрессии и постоянную величину. 

Прогноз (t+1) = с +εt+ α1 * Продажи (t) +α2 * Продажи (t-1)+ α3 * Продажи(t-2)
• ε t – белый шум
• α — набор коэффициентов,
• с – постоянная константа

Продажи будущего периода мы строим на основании прошлого, подбирая множество наборов коэффициентов.

После того, как методы авторегрессии начали расширять, появились такие методики Arima+MA (авторегрессия + среднее) и SARIMA: AR+MA+сезонная составляющая. Существует довольно большой пул методов, которые позволяют каким-то образом подобрать эту модель для товара. 

Посмотереть соравнение Forecast NOW! c методом авторегресии

Как подобрать коэффициенты?

Самый большой вопрос во всех этих методах: как правильно подобрать коэффициенты? 

Давайте посмотрим на примере для экспоненциального сглаживания, где мы должны подобрать только один коэффициент.

Напомним, чем больше коэффициент α, тем сильнее на нас влияют последние продажи при построении расчётов. Итак, как же происходит подбор коэффициентов? 

У нас есть известная история продаж и построенный прогноз. Дальше история продаж делится на два периода. Обычно это периоды 70% и 30%. Если брать в расчёт 100%, то мы рискуем переучить нашу модель, и она будет слишком повторять предыдущие продажи. Поэтому принято делить на 30% на 70%. Для 70% подбирают набор коэффициентов. А на 30% оставшейся истории продаж тестируют коэффициент.

Какие критерии подбора коэффициентов существуют? У нас в примере самый классический критерий оценки ошибки прогнозирования RMSE, или средняя квадратичная ошибка прогнозирования. То есть чем больше будет ошибка прогнозирования, тем менее точным получится прогноз.

Несмотря на то, что ошибка прогнозирования наиболее распрострененный метод определения точности, мы не рекомендуем его использовать. Об этом мы подробно рассказываем в статье «Почему повышение точности прогноза не гарантирует повышение прибыли. Как привычный показатель вводит компании в заблуждение».

Мы хотим подобрать коэффициент α. Excel позволяет нам это сделать через функцию «Поиск решения» в меню данных. Нажимаем кнопку «Поиск решения» и подбираем оптимальный коэффициент α.

У нас появляется окно, где написано, что мы хотим оптимизировать целевую функцию (это ячейка С6 ошибка RSME). Мы оптимизируем её до минимума, изменяя значения ячейка B7 – это наша α. Задаём программе параметры, что изменяем, что оптимизируем, какие критерии есть – и находим решение. 

Вот Excel подобрал для нас коэффициент:

Так выглядит подбор коэффициентов. У нас есть какой-то критерий и на прошедшей истории продаж мы можем его измерить. Если мы используем какие-то сложные модели и нужно подбирать много коэффициентов, то понадобится специальный софт. Чем больше коэффициентов, тем сложнее это делать. И, естественно, сложнее управлять всем процессом.

Общие проблемы методов классического прогнозирования

Главный недостаток этих методов в том, что на выходе мы получаем одно число. Насколько точным может быть этот прогноз? Оценивать спрос одним числом, значит заведомо ошибаться. Мы никак не управляем уровнем сервиса, не знаем, сколько нам будет стоить привезти необходимый объём запаса под наш прогноз спроса и т.д. 

Какие ещё могут быть сложности?

• Методы классического прогнозирования пришли из анализа сильно агрегированных данных. Если у вас сто аналитиков и всего три ряда данных, тогда можно подбирать коэффициенты для каждого ряда данных, анализировать их на стабильность, устойчивость и прочие вещи. В реальности в продажах тысячи товарных позиций на десятках складов. Естественно, подобрать корректно критерии и коэффициенты для такого широкого ассортимента нереально. Это невозможно спрогнозировать.
• Методы классического прогнозирования могут подходить только для товаров продуктовой розницы группы АХ, которые стабильны и постоянно продаются. 

Очень часто наши клиенты из компаний, занимающихся розницей, думают, что у них много товаров гладкого спроса. Но по исследованиям гладкие продажи имеют только 6% товаров от всего ассортимента – не больше. (см. научную справку).  Если спуститься на уровень торговой точки, то очень мало позиций у нас будут иметь эти самые гладкие продажи.

Рассмотрим это на примере условных булочек.

8 булочек — 87% уровень сервиса

По графику видно, что будочки каждый день продаются, и их продажи колеблется от 5 до 12 штук. Если посчитать прогноз по среднему, в день продаётся 8 штук. Если мы будем поддерживать такое количество товара на складе, то для относительно гладкой продающейся позиции булочек уровень сервиса будет 87-90. По крайней мере, это какой-то результат, с которым можно работать. 

Но если мы перейдём к редко продающимся позициям, картина будет другой. Рассмотрим на примере бытовой химии, которая на уровне конкретной точки продаётся не всегда и хаотично.

3,29 средства для мытья посуды — 21% уровень сервиса

Если мы построим классический метод прогнозирования, то получим результат 3,29. Согласитесь, что десятые доли здесь выглядят нелепо. Мы не можем хранить на складах 3,29 средства для мытья посуды. Кроме того, если провести линию на графике на уровне 3,29, мы получим уровень сервиса всего 21%. Это говорит о том, что для товаров редкого хаотичного спроса классические методы прогнозирования подходят плохо. 

Миндубаев Рамазан
Рубрика:
Аналитика

Что покупают в интернете, как узнать и проанализировать спрос на товар или услугу

Приветствую тебя, дорогой читатель. В этой статье мы разберем тему, какие товары продаются в интернете, чем интересуются люди в данный момент времени, и научимся делать экспресс анализ различных товаров и услуг.

Для чего это может нам пригодиться, можете спросить Вы? Хороший вопрос, давайте разберем все это на живых примерах.

Некий Артем, начинающий предприниматель, ранее работавший в одной небольшой компаний менеджером по продажам, задался вопросом собственного бизнеса. Артем решил продавать новинки техники, начав свое дело с продажи очков Google Glass (умные очки, распознающие голосовые команды).

Первым делом он заключил договор с поставщиком, закупил первую партию, запустил сайта и рекламную компанию. Артем был уверен, такая классная новинка точно должна пользоваться популярностью и принесет хорошие деньги с продаж.

Что ждало Артема дальше: прошла неделя, вторая, а он продал всего лишь несколько штук и то среди знакомых. Что же было сделано неверно? В чем главная ошибка Артема ,спросите Вы?

Как некоторые уже догадались, Артем забыл проанализировать рынок. Спрос на данные очки начал иссякать, по крайней мере, в России. Большинство уже купило данные очки сразу после релиза + в связи с резким ростом доллара на данный момент(23.02.15) очки начали стоять более 100 тыс. рублей, что еще больше снизило вероятность их покупки.

С помощью какого инструмента можно научиться анализировать спрос?

Ответ прост — системы статистики поисковых систем. Каждый день в интернете миллионы людей ищут где купить или заказать различные услуги и товары. Все эти запросы они обращают к таким поисковым системам как Яндекс, Гугл, Мейл или Рамблер. Специально для нас с вам поисковые системы ведут учет данных поисковых фраз и готовы поделиться ими.

Как узнать текущий спрос на товар или услуги

В этом нам поможет сервис Статистика ключевых слов на Яндексе, будем ориентироваться на данный сервис, т.к. поисковая система Яндекс на 2014 год занимала и примерно так же занимает сейчас в 2015 году — 58,4% всех поисковых запросов в Российском интернете, а значит содержит максимальную информацию.

Возьмем все тот же пример с Артемом и новыми очками Google Glass.

Для определения текущего спроса на очки, забиваем фразу «google glass» (без кавычек) в окно поиска сервиса.

8910 показов в месяц было зафиксировано Яндексом по запросу содержащим слова google glass, на скриншоте можно увидеть наиболее часто забиваемые фразы. Данные приведены за предыдущий месяц.

Прошу обратить внимание на такой показатель как ПОКАЗЫ. Многие люди ошибочно полагают, что показы это количество людей, но это не так.

Показы не являются количеством людей, так как 1 человек может забить и 2, и 3, и большее количество раз google glass +[дополнительное слово], в итоге поисковая система суммирует все показы.

Приведу пример для более легкого понимания:

Артем при поиске поставщика своего товара забивал следующие фразы:

• Google Glass;
• Google glass цена;
• google glass купить в России.

В итоге в Вордстат будет отображаться 3 позиции:

1. Google glass — 3 показа;

2. google glass цена — 1 показ;

3. google glass купить в России -1 показ.

Суть, думаю, понятна, если не понятно, спрашивайте в комментариях.

Ранее Я говорил, что в 2014 году Яндексом пользовались 58,4 % пользователей, соответственно, чтобы посчитать более точное количество показов во всех поисковых системах, следует число 8910 показов /58,4%*100%= примерно 15257 показов было зарегистрировано во всех поисковых системах.

Данный расчет является очень грубым, но позволяет в максимально короткий срок оценить спрос на товар в текущий момент.

Для более точного расчета можно использовать статистику ключевых слов других крупных поисковых систем.

В итоге, мы можем сделать вывод, что данным товаром интересуются. Для более точных выводов стоит обращать внимание на коммерческие слова, такие как: купить, цена, стоимость и т.п.

Для закрепления материала, укажите в комментариях какие темы проверили Вы.

Как узнать, что покупают в интернете зимой, летом или в праздничные дни.

Все так же в этом вопросе нам может помочь «Сервис статистики ключевых слов Яндекс».

Для анализа сезонных товаров, предлагаю рассмотреть ситуацию на примере магазина шин.

Для того, чтобы посмотреть когда люди ищут шины, достаточно вбить в строку поиска запрос «купить шины» и переключить чек-бокс на вкладку «История запросов»(см. скриншот, обозначено стрелкой).

Глядя на представленный выше график, мы можем сделать вывод, что люди активно начинают искать шины в определенные периоды. Март-Апрель (летние шины = когда тает снег) и Октябрь-Ноябрь(зимние шины = когда снег начинает идти).

По аналогии можно проанализировать запросы и понять что покупают зимой, что покупают летом, а так же какие товары покупают на новый год, за исключением елки и новогодних игрушек.

Пользуемся данным методом для определение сезонности.

Как выявить будущий спрос и проанализировать спрос за предыдущий период

Для анализа в данном вопросе нам помогут 2 инструмента:

• Яндекс.Вордстат
• Google Тренды

С Яндекс. Вордстат мы уже знакомы, покажу на примере как лучше провести анализ.

Предположим мы хотим узнать спрос на услугу «увеличение груди» и возьмем второй запрос «пластическая хирургия груди» для лучшего понимания ситуации. Забиваем обе фразы поочередно в строку поиска Вордстат, ставим чек бокс на «Историю запросов», в итоге смотрим статистику за предыдущие 2 года.

Видим, что спрос на услугу «пластической хирургии груди» падает. Моё предположение, что искусственная грудь больше не в моде. Проверим запрос увеличение груди для более точного подтверждения нашей догадки.

Тоже самое, спрос падает, хотя на графике видно, что есть определенная сезонность под конец года, в связи с новогодними праздниками. Видимо кто-то хочет сделать себе подарок. =)

Переходим к сервису Гугл Тренды, интерфейс не отличается сложностью, забиваем запрос «увеличение груди», выбираем сравнение по Странам и регионам — выбираю Россия.

На выходе получаем график с результатами за предыдущие несколько лет. На графике четко прослеживается постепенное снижение интереса к данной услуге. Можно сделать поверхностный вывод, что данное направление в будущем не очень интересно.

А вот например запрос «фитнес», наоборот становится только популярнее с каждым годом.

На графике четко видно, как растет его популярность. Так же в Гугл Тренд, есть чек-бокс «Прогноз», при активировании Гугл достраивает диаграмму на год вперед это происходит на основе предыдущих данных при их достаточном количестве для анализа.

Вопрос на засыпку, как вы считаете растет ли спрос на услугу «пластиковые окна» исходя из данных на графике, расположенном ниже? Аргументируйте свой ответ.

Свои ответы и аргументы пишите в комментариях, после 10 ответов, дам свой комментарий.

В помощь дополнительная информация и подсказка для Вас — обратите внимание на рост аудитории интернета за предыдущие года и соотнесите данные с историей запросов.

Что покупают в интернет-магазине в моём регионе?

Для того, чтобы узнать, нам потребуется открыть наш любимый сервис Вордстат.

Мы можем посмотреть данную информацию 2 способами:

1. включив чекбокс — «по регионам»

2. уточнив регион поиска

Рассмотрим оба варианта на примере нашего героя Артема. Артем понял, что очки от Гугл продавать скорей всего не выгодно, т.к. рынок очень ограничен большой ценой и маленьким спросом. Поэтому он решил заняться «умными» часами.

Проанализируем данный запрос.

Метод 1

Шаг 1 -Включаем 1 чек бокс «По регионам»;

Шаг 2-Выбираем вкладку «Города».

Теперь мы видим, что наибольший спрос на данный товар приходиться в Москве, далее СПб, Екатеринбург и т.д.

Метод 2

Шаг 1 — Жмем на выбор региона, по умолчанию стоит Россия;

Шаг 2 — Выбираем нужный регион, в моем случае это Москва и область;

Шаг 3 — Жмем кнопку Выбрать.

В итоге , мы видим всю статистику по количеству запросов и по ключевым фразам. Так же мы можем посмотреть статистику по истории запросам и т.д.

Итог:

В ходе чтения данной статьи и выполнения заданий, мы знаем и можем дать ответы на следующие вопросы:

1. Что ищут в интернете. Как, исходя из этого, с помощью коммерческих слов можно понять, что люди хотят купить.

2. По каким фразам люди ищут наши услуги.

3. Как узнать сезонность товара.

4. Знаем как выявить будущий спрос на товар и как проанализировать будущий период.

5. Как узнать точную ситуацию по каждому региону.

Бонус для закрепления

На основе статистики напишите какой маркой автомобилей люди больше всего интересуются в данный момент в России, дайте ответ в комментариях:

1. Лада (Ваз);

2. Тойота;

3. Ниссан;

4. Хонда;

5. БМВ ;

6. Мерседес.

В каком регионе чаще всего ищут данную марку?

Проанализируйте будущий спрос на Ладу (ВАЗ) на предстоящий год.

Все знают, что огромное количество бизнесов от маленьких инста*-магазинов до крупных компаний на территории РФ столкнулись с полным лишением потока трафика из таргетированной рекламы в Instagram*., Эта соцсеть для многих была главным источником привлечения клиентов.

По статистике от аналитических компаний, например «Brand Analytics», при миграции из Instagram* в другие соцсети блогеры и малый бизнес лишаются до 70% аудитории и до 80% доходов.

Как восстановить прежний поток заявок и где стоит продвигаться бизнесу в новых условиях?

Для подбора наиболее эффективного метода продвижения сначала необходимо понять спрос на ваше предложение.

1. Определяем спрос на продукт/услугу

Спрос — ключевой фактор при выборе метода продвижения. Поэтому первое, на что стоит обратить внимание: сформирован ли спрос на ваш продукт?

Если вы сомневаетесь в наличии спроса, то воспользуйтесь сервисом https://wordstat.yandex.ru/. Здесь можно оценить спрос по всей стране, а также ограничить историю поиска для конкретного города или региона, если вы продаете продукт только в одной местности.

Вы увидите статистику по запросам только в поисковой системе Яндекс. Чтобы понять полную картину, умножьте полученное число показов на коэффициент 2,3, так как более 56% пользователей России пользуются поиском в Google. Полученные показатели соотнесите с численностью населения вашего города.

Например: вы продаете услуги юриста в Мурманске с населением 303 тыс. человек, запросов за месяц с учетом коэффициента более 3 000. Сформирован ли спрос? Очевидно — да .

Или другой пример: Вы живете в маленьком городке Евпатория с населением 100 000 человек и хотите организовать квиз (интеллектуальные командные игры для взрослых).

При анализе мы получаем всего 4 запроса, становится ясно — спрос не сформирован.

Здесь есть 2 пути:

Хорошо, уровень спроса мы определили, что дальше? А дальше надо разобраться, как формируется спрос и на какие этапы делится работа по продаже ваших товаров/услуг. В этом нам поможет модель «лестницы Бена Ханта».

2. Этапы взаимодействия с вашей аудиторией или как привести людей к покупке

Лестница Бена Ханта представляет собой 5 ступеней теплоты аудиторий от «нет потребности» до «покупаю именно у вас»:

Разберем ступени лестницы на примере пледа с рукавами, двигаемся снизу вверх.

Сейчас на этот товар есть спрос, но изначально продукт требовал серьезной маркетинговой проработки — необходимо было провести пользователя по всем ступеням лестницы узнавания Бена Ханта, чтобы у него появилось желание купить. Как создать спрос с помощью лестницы Бена Ханта мы расскажем ниже.

• 1 ступень: холодная аудитория (Нет проблемы или она не очевидна) — люди никогда не слышали о таких одеялах и не понимают, чем оно лучше обычного. Здесь мы ищем боль и делаем на ней акцент: «Мы все любим понежиться под одеялом с книгой или смартфоном в руках, но пока всё тело в тепле, руки начинают ЗАМЕРЗАТЬ». Пользователь видит рекламу или пост и понимает, что это действительно так, просто раньше он этого не замечал, и переходит на следующую ступень.

• 2 ступень: прохладная аудитория (Есть проблема, но нет решения).«Руки мерзнут, я это замечаю и постоянно отрываюсь от книги, чтобы согреть руки. Нужно что-то придумать…».

• 3 ступень: тёплая аудитория (Поиск решений/сравнение вариантов)Вы уже несколько раз показали потенциальному клиенту рекламу с обозначением проблемы, а в мыслях пользователя невольно появляются варианты решения: «Может быть, поставить дополнительный обогреватель или читать в перчатках? Поочередно держать чашку с горячим чаем в руках? Вот в рекламе о пледе с рукавами говорят, выглядит удобно и руки в тепле».

• 4 ступень: горячая аудитория (Выбор продукта)Пользователь начинает подбирать варианты для себя: «Я хочу плед с рукавами, но какой материал выбрать: махровый или флисовый? И цвет хотелось бы подходящий в интерьер».

• 5 ступень: обжигающая аудитория (Выбор поставщика)«Решено, хочу тёплый махровый плед с рукавами песочного цвета. Он и в интерьер подойдет, и не сильно маркий. Посмотрю, у кого такой есть в наличии, желательно с бесплатной доставкой» — на этом этапе ваша задача показать все свои преимущества на фоне прямых конкурентов: отзывы, цена, скорость доставки и качество.

Теперь вы знаете, что для каждого этапа нужно постепенно формировать единственное — желание купить продукт именно у вас.

Если вы доведёте человека до 5 этапа, то с большой вероятностью продадите ему свой продукт или услугу. Но это необязательно, ведь желание купить может возникнуть на любом из этапов.

Прелесть рекламных инструментов в том, что мы можем точечно работать с любым из этапов и постепенно формировать спрос и генерировать продажи на любом из этапов. А потом повторно взаимодействовать с теми же людьми, чтобы продать им снова или перевести их на следующий этап воронки.

Перейдём к практике и определимся с подходящими инструментами.

3. Выбор подходящего способа продвижения для вашего бизнеса в 2022 году

Мы выяснили, как определить сформированность спроса на продукт и разницу во взаимодействии с аудиториями. Теперь нужно определиться с актуальными площадками и инструментами.

Чтобы было наглядно, мы разобьем подходы в соответствии с сегментами аудиторий:

Стандартные способы продвижения:

• 1. Таргетированная реклама Вконтакте

С помощью этого инструмента возможно провести пользователя по всем ступеням лестницы Бена Ханта, от «у меня нет проблемы» до «хочу купить только у вас»

Вконтакте на данный момент наиболее перспективная социальная сеть для бизнеса, а за первые десять дней после блокировки Instagram* активная аудитория Вконтакте увеличилась на 4 миллиона человек. Бренды развивают свои сообщества, блогеры переносят и адаптируют контент под Вконтакте.

А внутренний инструментарий социальной сети способствует удобству бизнеса и потребителя:

• 2. Контекстная реклама Яндекс.Директ

Покажите рекламу базе ваших контактов и тем, кто искал похожий товар или услуги в поисковой системе (4 и 5 ступени лестницы Ханта — тёплые и горячие сегменты аудиторий). Контекстная реклама в первую очередь работает на аудиторию, которая уже интересуется или хочет приобрести ваш товар, т.е. на аудиторию с сформированным спросом.

Для каких ниш точно подойдет контекстная реклама:

Контекстная реклама — отличный ретаргетинговый инструмент после первого касания в таргетированной рекламе.

Нужен максимальный эффект? Тогда используйте комплексный подход из таргетированной и контекстной рекламы. Посудите сами: бесконечный конвейер, где таргетированная реклама завлекает в воронку новых людей и прогревает внутри Вконтакте, а контекстная подхватывает и продолжает взаимодействие по всей рекламной сети Яндекс! Пользователь буквально в ловушке вашего предложения.

Но это еще не всё, самое интересное мы припасли на конец

Выходим в оффлайн: пункт для тех, кому нужен WOW-эффект!

MyTarget — это рекламная платформа mail.ru Group, которая объединяет все крупнейшие в России и СНГ социальные сети и сервисы с общим охватом более 140 млн человек.

С помощью мультиплатформы MyTarget мы можем разместить рекламу:

А бизнес, который продвигает продукты питания, получает приятное решение от MyTarget: indoor реклама на медиаэкранах в сети супермаркетов «Перекресток» более чем в 30 городах по всей России. Теперь перед вами открыты возможности продвижения, которые ранее оставались в тени.

Наша команда поможет любому бизнесу продумать и внедрить маркетинговую воронку, исходя из потребностей, целей и задач клиента, ведь продвигать свой бизнес можно не только с помощью таргетированной, но и контекстной рекламы.

Наше агентство специализируемся на продвижении различных проектов уже более четырёх лет и помогло заработать клиентам свыше 450 млн рублей. С момента блокировки социальных сетей Meta* мы перестроились и адаптировали работу с отечественными сервисами и площадками.

*Признан экстремистской соцсетью и запрещен на территории РФ

Мысли об открытии собственного бизнеса, вероятно, хотя бы раз приходили в голову каждому. Однако дистанция между возникновением идеи и ее воплощением в жизнь гораздо длиннее и сложнее, чем может показаться на первый взгляд. Тем более что в современных реалиях для запуска собственного дела нужно детально проработать каждый нюанс, способный повлиять на итоговый успех. Существуют различные аналитические методы и маркетинговые инструменты, облегчающие решение этой задачи. Определившись с тем, что именно вы будете продавать, необходимо провести мониторинг: исследование, изучение потенциального уровня спроса покупателей на продукцию, товары и услуги, оценка предложения и выявление динамики, то есть анализ того, как меняются показатели продаж на фоне влияния определенных факторов, в конечном счете помогают принять верные решения.

Общее представление

Актуальность и востребованность продукта — объективно, один из наиболее важных критериев, которому стоит уделить особое внимание. Это касается как тех, кто еще только собирается начать собственное дело, так и опытных предпринимателей, планирующих расширение или обновление ассортиментной матрицы.

Рассматриваемая величина достаточно изменчива, и чутко реагирует на любые, порой не всегда очевидные изменения. Так, к примеру, анализ спроса на товар предусматривает учет следующих факторов:

• Период. Существуют определенные категории, имеющие выраженную сезонную специфику. Новогодние игрушки и лыжи гораздо менее интересны покупателям в начале июня, тогда как панамки и шлепанцы сложнее продавать в декабре. Конечно, какие-то минимальные цифры по объему реализации для статистики все же найдутся, однако вряд ли они могут представлять значимость с точки зрения бизнеса.
• Стоимость. В последние годы покупательская способность демонстрирует постепенное падение, что обусловливается сложной политической и экономической ситуацией. Из-за этого смещается вектор приоритетов — наибольший интерес представляют позиции, обеспечивающие базовые потребности, тогда как дорогостоящие покупки совершаются реже.
• Сегмент. Перед тем как проверить и оценить спрос на товары и услуги в интернете, стоит найти и изучить данные о целевой аудитории. Стандартной маркетинговой практикой является выделение определенных групп, представители которых потенциально должны быть заинтересованы в покупке конкретного продукта.

Некоторые концепции и постулаты экономической теории имеют общепризнанный статус, и остаются актуальными даже несмотря на глобальные изменения формы и содержания современного рынка. Так, для классификации видов потребности применяются определенные критерии. Исходя из протяженности, выделяют следующие категории спроса:

• Эпизодический — возникает на фоне конкретного повода, будь то ежегодное событие, крупное мероприятие или внеплановая акция. Например, интерес к атрибутике, посвященной релизу очередного фильма известной франшизы, или международному спортивному матчу, носит ограниченный характер.
• Периодический — потребность в товарах, появляющаяся время от времени. Чаще всего речь идет о сезонной продукции, будь то зимние или летние вещи, прохладительные или согревающие напитки и т. д.
• Повседневный — не зависит от временного фактора, и остается стабильным в любое время года. В первую очередь, в эту категорию входят продукты первой необходимости, гигиенические средства, бытовая химия и т. д.

С точки зрения динамики принято различать спрос:

• Чрезмерный — стремление аудитории покупать больше, чем было выпущено производителем.
• Импульсный — покупки, совершаемые спонтанно, на фоне влияния маркетинговых предложений и возникновения эмоциональной реакции.
• Падающий — тренд на снижение заинтересованности.
• Отрицательный — низшая точка, при которой интерес отсутствует.
• Нерегулярный — по сути, аналог сезонного.

В рамках углубленных исследований выделяют гораздо большее количество видов. С точки зрения практического применения информации можно обойтись и приведенным перечнем. Главное при этом — знать, как промониторить рынок и посчитать спрос на товар, и каким образом использовать полученные данные на благо бизнеса.

Сквозная аналитика

Современные программные продукты, предлагаемые поставщиками маркетинговых приложений, позволяют собрать аналитические показатели, представляющие интерес для предпринимателей. При необходимости платформы интегрируются с сервисами CRM-формата, обеспечивая возможность изучения ключевых параметров — начиная с клиентских поисковых запросов и заканчивая конверсией, представленной в наглядном отображении. Оптимизации рабочего процесса способствуют и решения по мобильной автоматизации, разработанные компанией «Клеверенс», благодаря которым организации могут сократить издержки и открыть для себя новые направления деятельности.

Как формируется спрос

Среди внешних факторов, также оказывающих влияние на уровень потребительского интереса, выделяют следующие аспекты:

• Демографическая обстановка — численность населения в регионе, дифференциация по гендерному и возрастному признакам, социальный статус.
• Климатические условия — в первую очередь средняя сезонная температура и уровень осадков, исходя из которых выявляется потребность в товарах соответствующих категорий.
• Политические ограничения — внешняя и внутренняя политика, взаимоотношения с другими странами, законодательные лимиты.
• Экономическое положение — уровень благосостояния целевой аудитории, рыночные цены, фактор инфляции и т. д.

Статистический анализ спроса потребителей на продукцию (товары и услуги предприятия) важен для магазина как в интернете, так и в офлайне, поскольку является определяющим информационным базисом при выборе ассортимента, способного принести прибыль.

В каких случаях нужен мониторинг

Если кратко — во всех. Сегодня конкуренция за клиента стала настолько высокой, что ни в одном сегменте не обойтись без качественного исследования. Потребительские настроения определяют, насколько успешной окажется торговля, а тренды, меняющиеся буквально каждый день, нужно отслеживать с особой тщательностью. Благо, для этого существует немало эффективных инструментов, проверенных на практике.

Способы изучения спроса на рынке товаров и услуг

Методики, предлагаемые ведущими аналитическими платформами, доступны как бесплатно, так и за деньги. Чем больше функциональных возможностей — тем более детализированной и подробной окажется информация. Рассмотрим основные варианты, которыми может воспользоваться каждый предприниматель.

Яндекс.Вордстат

Обширная база данных, сформированная на основе поисковых запросов, позволяет изучить предпочтения потенциальных покупателей в рамках отдельно взятого региона. Ключевым показателем выступает частота показов — чем выше значение по интересующему вас продукту, тем больше ожидаемый спрос. При этом нужно учитывать, что корректность анализа зависит от того, насколько точно были выставлены ключевые вхождения, то есть формулировки, используемые пользователями. С этой точки зрения выделяют как общие словосочетания — «смартфоны на Андроид», «детская одежда» или «бытовая техника для уборки», так и конкретизированные, подразумевающие намерение совершить понимаемое действие — «купить навигатор», «интернет-магазин обуви», или «холодильники в Москве».

Преимущества анализа в Вордстат

Подобное исследование помогает определить спрос покупателей города или региона на услуги и товары в интернете, и узнать, как и в какой последовательности менялись интересы за последнее время. С помощью платформы выявляется популярность брендов и производителей, отдельных товарных категорий в рамках общего сегмента, а также продукции, имеющей сезонную специфику.

Google Trends

Еще один аналитический инструмент, основывающийся на изучении трендов, задаваемых пользователями крупнейшей поисковой системы. Данные представляются в более сжатом виде, чем в предыдущем случае, однако обладают достаточным уровнем репрезентативности. При установке ключевых параметров также можно выделить определенный регион и период времени, что весьма удобно при оценке показателей сезонности. Кроме того, система предлагает опцию сравнения смежных запросов в рамках одной категории, например, количества показов по тематикам мужской, женской и детской одежды.

Яндекс.Маркет

Еще одна онлайн-платформа от Yandex, по сути представляющая собой маркетплейс, на котором реализуются разные виды товаров. Для каждого продукта формируется карточка, содержащая описание и стоимость. Ранжирование в выдаче по поисковым запросам — наглядный показатель популярности того или иного наименования. При этом нужно внимательно проверить параметры регионального фильтра, поскольку площадка охватывает большое количество пользователей из всех регионов, включая зарубежные страны. Критерием оценки также служат отзывы, исходя из которых можно оценить, насколько востребована отдельно взятая позиция.

В нижней части страницы расположен еще один аналитический блок, заслуживающий внимания: «Часто ищут». В нем выводятся наиболее трендовые и актуальные запросы за текущий период, что позволяет понять, в каком направлении двигаться при выборе ассортимента. Однако при этом стоит учитывать, что аудитория платформы относится к «теплым» клиентам, то есть состоит преимущественно из людей с уже сформированной мотивацией к совершению покупки, а также имеющих представление о собственных потребностях.

Пробное размещение контекстной рекламы

Один из рабочих вариантов, рассматриваемых в рамках вопроса о том, как изучить спрос на продукцию, будь то товары или услуги — организация тестовой рекламной кампании. Метод потребует определенных финансовых вложений, однако взамен позволяет:

• Оценить потребительский интерес к формируемому предложению и проанализировать его актуальность с точки зрения рынка.
• Понять показатели трафика, а также бюджет, который потребуется для полноценного продвижения в Сети.
• Рассчитать ROMI (Return on Marketing Investment), то есть окупаемость маркетинговых инвестиций.
• Разобраться в том, насколько целесообразным будет использование контекстной рекламы на начальном этапе — при достаточном количестве клиентов данный инструмент рекомендуется использовать позднее.

Таргетинг запускается в поисковых системах Яндекса и Гугла, в социальных сетях, а также на контекстно-медийных платформах. При отсутствии должного опыта стоит воспользоваться услугами профессионалов, поскольку для глубокого погружения в тему требуется немало времени.

Эффективный маркетинг

Основная цель маркетингового продвижения на предварительной стадии — анализ востребованности предложения среди целевой аудитории. Сегодня настройка параметров и аналитика результатов обеспечиваются готовыми сервисами, предоставляющими детализированную отчетность по каждому аспекту кампании. Оптимальный вариант — интеграция платформы с используемой CRM, благодаря которой уже на ранних этапах вы получите подробное представление о потенциале продукта.

Лендинг

В продолжение темы Интернет-рекламы стоит упомянуть о такой опции, как лендинговое продвижение. Суть методики — в создании отдельной страницы для продаж, на которую выводится трафик, формируемый рекламными каналами, размещенными в социальных сетях. Для реализации подобного проекта предусматривается следующая последовательность действий:

• Регистрация учетной записи на популярных платформах (VK, Facebook, Instagram), соответствующих с точки зрения преобладания выбранной целевой аудитории.
• Заполнение профиля сообщества контентом, представляющим интерес для потенциальных посетителей и участников.
• Запуск рекламы, ведущей на предварительно созданную продающую страницу.
• Анализ статистических показателей, подсчет промежуточных результатов, корректировка и подведение итогов после каждого этапа.

Чтобы повысить охват, также рекомендуется подключить контекстную систему продвижения, благодаря которой большее количество пользователей получит информацию о продукте.

Крупные рекламные площадки

Еще один способ изучения рынка — исследование востребованности по данным, представленным на ведущих торговых платформах, таких как Авито, Юла и т. п. Здесь большую роль играет актуальность запросов пользователей, поскольку для большинства товаров значимым оказывается фактор сезонности.

Грамотное комбинирование ключевых слов и формулировок позволяет исключить нулевую выдачу, которая нередко оказывается ошибочной. Низкая результативность может свидетельствовать об отсутствии фактического спроса, но требует более тщательной проверки. В целом репрезентативность рекламных досок оставляет желать лучшего — их стоит рассматривать в качестве дополнительного инструмента, помогающего составить общее представление о ситуации на рынке.

Ассортимент конкурентов

Конкурентный анализ — один из наиболее достоверных и надежных источников полезной информации. Чем шире охват исследуемых участников — тем больше вероятность выявления пересечений по позициям, которые пользуются наибольшим потребительским спросом.

Алгоритм выглядит достаточно просто: откройте сайт компании, работающей в аналогичном сегменте, выберите интересующую категорию продукции, и приступайте к сортировке и изучению, используя встроенные фильтры. Актуальные показатели — популярность, отзывы, бренды и цены. При этом нужно учесть, что настройки отдельно взятого онлайн магазина могут быть выставлены с целью продвижения конкретных товаров, поэтому для понимания общей картины потребуется проанализировать сразу несколько площадок, пересекающихся по основным критериям отбора.

Информация от поставщиков

Специфический вариант с точки зрения достоверности, который, однако, может дать определенную пользу. Методика реализуется сразу в двух направлениях. Во-первых, уточнить наиболее популярные позиции можно с помощью доверительной коммуникации, установленной с менеджером дистрибьютора. Во-вторых, наглядное отображение востребованности дает продолжительный анализ обновляемых прайсов, из которого становится понятна политика ценообразования, механика предоставления скидок, а также востребованность номенклатурных наименований.

Заключение

Говоря о том, как рассчитать потребительский спрос на продукцию бренда или товары отдельной категории, стоит еще раз отметить, что перечисленные методы обеспечивают наибольший эффект только при комплексном применении. Маркетинговые исследования требуют времени и вложений, но в конечном счете окупаются за счет повышения объемов продаж грамотно выбранного ассортимента.

Количество показов: 27028