Прогноз продаж на разных уровнях агрегации: как мы сократили убытки мебельной сети

Клиент Planetra — крупная российская розничная сеть, которая специализируется на продаже мебели и товаров для дома.

Команда клиента работала в Excel и не могла точно прогнозировать продажи на разных уровнях агрегации. Это приводило к избытку или нехватке запасов в магазинах, на складах и распределительных центрах, а в конечном итоге — убыткам.

Рассказываем, как повысили точность прогнозирования и разработали решение, которое справляется с обработкой большого массива данных.

Мы не упоминаем в тексте название компании, чтобы сохранить конфиденциальность нашего клиента. 

Шаг 1. Разобрались, как работал клиент до внедрения системы

Клиент обратился к нам в ноябре 2023 года. На тот момент у заказчика было больше 100 торговых точек по всей России и несколько распределительных складов, а линейка товаров состояла из более, чем 15000 SKU. Заказчик четко понимал, что работа в Excel стала узким местом в планировании с учетом масштабов бизнеса и сложной продуктовой матрицы. 

Мы провели несколько встреч с участием наших методологов, чтобы опросить команду и детально изучить, как они планируют продажи. Выяснили, что аналитики проводят расчет по товарным группам на всю сеть, используя формулы и функции Excel. При этом, клиент не мог получить точную информацию по спросу на уровне SKU или понять потребность конкретного региона. Excel не справлялся с обработкой таких объемов данных, и любое изменение требовало ручной корректировки, длительного обновления и проверки.

Почему клиенту нужна агрегация и дезагрегация данных? Компания работает по модели, когда за каждым менеджером закреплена конкретная территория или клиент. Данные по регионам нужны для того, чтобы точно определить нагрузку на распределительные центры и спланировать расходы на закупку. 

Дезагрегация поможет оптимально спланировать запасы по конкретным товарам. В этом случае при прогнозе для группы «диваны» в 100 штук клиент будет точно знать, сколько диванов конкретных моделей нужно доставить на склад и в торговую точку. 

Шаг 2. Разработали цифровой двойник предприятия 

Возможность представления данных в различных разрезах/ уровнях агрегации — это одна из задач в рамках прогнозирования, поэтому решить эту проблему изолированно не получится. Мы начали работу с того, что детально изучили структуру компании: собрали и проанализировали информацию о том, как работают продажи, пополняются запасы и как устроена логистика. На основе наших выводов запустили создание цифрового двойника предприятия — виртуального образа, который точно отражает все бизнес-процессы. 

Шаг 3. Подключили базу данных

Подключили базу PostgreSQL, чтобы система могла быстро обрабатывать информацию клиента и выполнять любые расчеты. PostgreSQL оптимизирована для работы с большими наборами данных и может легко масштабироваться. Она поддерживает параллельную обработку запросов, что позволяет запускать несколько операций одновременно. А чтобы не перегружать инфраструктуру клиента, перенесли все данные на сервера Yandex Cloud. 

Шаг 4. Очистили историю и настроили прогнозирование продаж 

Основное внимание уделили выбору правильных методов прогнозирования. Для этого наши аналитики подбирали и тестировали комбинацию из 5-6 подходов, которая должна была соответствовать потребностям и специфике клиента. 

Как мы подбирали методы прогнозирования

1. Изучили динамику продаж клиента за последние 4 года, учли эффект от стимулирования продаж, запуск новинок, периоды out-of-stock и случайные колебания спроса и выявили в истории показатели равномерного и сезонного спроса и тенденции изменения спроса.

2. Следующим этапом мы написали микросервис для очистки истории продаж клиента и подключили его к системе.

3.Он очистил цифры от всплесков и факторов, влияющих на спрос, и мы получили «очищенную» историю.

4. Затем выбрали несколько методов для построения прогноза: метод скользящей средней, взвешенной скользящей средней, метод наименьших квадратов, метод сглаживания по восходящему среднему и другие. 

Запускали статистический прогноз в модели и сравнивали результаты с фактом за прошлые периоды до тех пор, пока не выявили комбинацию, которая дает самый точный результат — то есть, минимально отклоняется от фактических данных клиента.

Шаг 5. Подготовили консенсус-план продаж

После того, как наша команда сформировала статистический прогноз, мы запустили комплексную доработку с участием отделов на стороне клиента.

Отдел продаж внес корректировки, добавив информацию о новых каналах сбыта и расширении географии. Менеджеры по категориям внесли изменения, учитывая запуск новинок и адаптацию жизненного цикла продукта. Маркетинг предоставил информацию о предстоящих акция, а финдепартамент скорректировал прогноз с учетом изменения цен и себестоимости товаров.

Все корректировки объединили в финальный прогноз, утвержденный на S&OP встрече клиента. В результате клиент получил несколько вариантов плана после корректировки каждого участника и утвердил финальную версию.

Что получили в результате

❌ Было: Из-за сложных алгоритмов и большого объема данных специалисты не могли очистить историю продаж в Excel. Это приводило к ошибкам в планировании: вместо нужных 100 единиц товара план мог быть установлен на 150 или на 50 единиц. Такие расхождения влекли за собой лишние запасы на складе или упущенные возможности продаж.

✅ Стало: Система сама очищает данные и поддерживает функцию точечной ручной настройки — чтобы учесть все нюансы истории продаж.

❌ Было: Из-за большого объема данных прогноз считали только по товарным группам на уровне всей сети. Неточности в прогнозе приводили к дефициту или избытку товаров на складах, и компания несла убытки. 

✅ Стало: Точность прогноза продаж повысилась с 93,4 до 97,2%. Клиент может получить аналитику по каждому уровню агрегации и оптимально планировать запасы.