Как MySales прогнозирует промо

Для успешного и точного прогнозирования промо ключевым фактором является полная промо история в вашей сети. Для качественного прогноза системе необходимо иметь информацию о проведенных раньше промо. Очень важно, чтобы в систему заводилась полная информация о прошедших промо, заведены все коммуникации и механики, скидки и компенсации.

Если в систему заведены не все проведенные промо, а также не полная информация о них, система не сможет определить влияние разных факторов на продажи и найти зависимости между прошедшими промо и будущими. Поэтому качество прогноза промо полностью зависит от качества ваших исторических данных.

У MySales есть два подхода к прогнозированию промо-приростов:

Поиск зависимостей между ранее проведенными промо и новым
Использование нейронной сети для прогноза

Стандартно система ищет зависимости между историческими промо и новыми, и только в случае, если не находит, то использует нейросеть.

Поиск зависимостей заключается в том, что система анализирует как разные факторы влияли на промо раньше и ищет уже проведенные промо, которые похожи на новое промо. Это позволяет системе смоделировать изменение продаж на промо период. Обычно, если алгоритм находит 3 и более сопоставимых промо, то качество прогноза будет высоким. Для удовлетворительного промо прогноза необходимо найти хотя бы одно промо. В случае, если сопоставимых промо найти не удается, то прогноз строится с помощью нейронной сети. Этот прогноз обычно хуже чем с использованием сопоставимых промо, так как системе недостаточно данных для понимания влияния тех или других факторов.

Результатом подбора как сопоставимых промо, так и прогноза, сформированного нейронной сетью, являются два коэффициента промо прироста:

Коэффициент прироста промо к прогнозу, который не учитывает влияние цены/скидки
Коэффициент прироста промо к прогнозу, в котором уже учтено влияние цены/скидки

Такое разделение коэффициентов прироста связано с тем, что прогноз, в котором уже учтено влияние цены/скидки, на промо периоды будет изначально выше прогноза регулярных продаж, соответственно, дополнительный повышающий коэффициент, который к нему применяется для промо-акции, должен быть ниже, чем коэффициент, применяемый к прогнозу без учета ценовой эластичности. Далее, этот коэффициент используется для применения к базовому прогнозу при расчете промо-прироста и дальнейшей его адаптации, как описано в разделе Прогнозы - Анализ - Как мы строим прогноз. Таким образом, имея коэффициент, спрогнозированный на уровне SKU, система учитывает индивидуальную чувствительность к промо на уровне каждого магазина за счет адаптации промо-прироста.

Подбор сопоставимых промо

При подборе сопоставимых промо, в системе есть ряд правил, которые можно разделить на жесткие и мягкие. И жесткие и мягкие правила в системе могут настраиваться. При несоблюдении жестких правил сравнения промо система не подбирает сопоставимые промо, что может привести к тому, что не будет подобрано для сравнения вообще ни одного промо при недостаточной истории. Мягкие правила работают как приоритизация в подборе сопоставимых промо, когда при достаточности истории система отдает предпочтение промо с теми факторами похожести, которые, согласно истории, более значимы для прогнозирования промо-прироста.

К жестким правилам, в зависимости от настроек системы, могут быть отнесены:

Разделение сопоставления промо по отдельным видам коммуникаций. Например, для промо с товарами в газете будут подбираться только прошлые промо с товарами в газете, в качестве сопоставимых.
Разделение сопоставления промо по уровню скидки. Например, для промо со скидкой 30% будут подбираться только прошлые промо со скидкой от 20 до 40%.
Разделение промо по механикам проведения. Например, для промо с обычным снижениям цены будут подбираться только промо с аналогичной механикой, либо промо с похожей механикой (скидка только для обладателей карт).
Разделение по периоду длительности промо. Например, для промо длительностью 3 недели будут подбираться только промо длительностью от 2-х до 4-х недель, или когда для однодневных промо будут подбираться только однодневные промо в прошлом.
Разделение промо по ширине ассортимента с выделением общесетевых промо.
Разделение промо по количеству магазинов, в которых оно проводится. Например, когда требуется избежать сопоставления промо, проводимых во всей сети с промо, проводимых в нескольких магазинах.
Ограничение сопоставления по сроку давности, например, когда в качестве сопоставимых промо подбираются промо, проводимые не более чем 2 года назад
Разделение промо по праздничным периодам. Например, когда для промо, проводимые на Рождество, будут подбираться только прошлые промо которые проводились в соответствующий период

Список выше не является исчерпывающим. Кроме того, каждое из жестких правил выше настраивается в соответствии со спецификой проведения промо и заведения их в систему. Не рекомендуется сильно ограничивать систему жесткими правилами, так как из-за этого процент позиций, для которых система сможет подобрать сопоставимые промо может резко снизится.

К мягким правилам сопоставления промо относится большое количество факторов, которые можно увидеть перейдя в меню ЕЩЕ - ПРОМО - СОПОСТАВЛЕНИЕ. Мягкие правила сопоставления работают основываясь на коэффициентах похожести, которые система рассчитывает автоматически на основании истории, перебирая комбинации промо-позиций в прошлом и оценивая как повторяемость того или иного фактора влияет на повторение промо-прироста. При сопоставлении промо по мягким правилам, отсекаются те исторические промо, которые не соответствуют жестким правилам.

Для всех исторических промо, которые соответствуют жестким правилам, система рассчитывает коэффициент похожести, который использует для сортировки исторических промо таким образом, чтобы подобрать сопоставимыми те промо, которые имеют наивысший коэффициент похожести. Таким образом, для каждой позиции выбираются от 1 до 6 исторических сопоставимых промо-позиций, которые имеют наибольшую похожесть из всех доступных.

После подбора сопоставимых промо, система корректирует итоговые коэффициенты прироста на их статистические отличия по уровням скидки и механик.

Критерии, по которым система оценивает похожесть исторических промо для сопоставления по мягким правилам:

Количество календарных дат месяца, по которым прогнозируемое промо совпадает с сопоставимым. Например, если историческое промо проводилось 2-4 декабря, а прогнозируемое - 3-5 декабря, соответственно, коэф-т похожести по датам будет равен 50% (3-4 декабря)
Длительность прогнозируемого и исторического промо в днях. Например, длительность прогнозируемого промо - 7 дней, а исторического - 5 дней. Коэффициент похожести будет равен 5 / 7 * 100% = 71.4% (всегда делится меньшее число на большее)
Срок давности исторического промо по отношению к прогнозируемому
Совпадение по сезону продаж
Совпадение по названию промо
По уровню скидки
По механике, с учетом похожих механик
По совокупному набору коммуникаций
По каждой коммуникации отдельно
По совпадению магазинов
По общему количеству магазинов
По совпадению SKU
По общему количеству SKU
По количеству групп в промо
По средним продажам позиций в промо в штуках и в деньгах
По средней цене промо-позиции
По совпадению праздников, попадающих в промо-период
По совпадению текущей цены продажи
По уровню конкурентности промо-позиций в рамках одной группы
По совпадению товарной группы
По совпадению названия позиции
По совпадению конкретного SKU
По похожести исторического промо-прироста позиций
По похожести исторических скидок промо-позиций
По средним продажам позиции в штуках и в деньгах

Прогнозирование промо-прироста с использованием нейросети

Если не удалось подобрать сопоставимые промо, коэффициенты прироста промо прогнозируются с использованием нейронной сети. Нейронная сеть обучается на всем объеме исторических промо, как в целом, так и отдельно по каждой группе, определяя зависимости коэффициентов промо-прироста от влияющих факторов и их синергии.

В меню ЕЩЕ - ПРОМО - КОРРЕЛЯЦИЯ НЕЙРОСЕТИ можно посмотреть как обучилась нейросеть как по системе в целом, так и по каждой группе отдельно, как значения входящих нейронов сети влияют на 2 исходящих нейрона, отвечающие за коэф-т прироста к прогнозу без учета и с учетом влияния цены/скидки.