Если спрос переоценили, растут излишки, списания, затраты на хранение и давление на промобюджет.
Согласно отчету IBM Institute for Business Value, в среднем 3,32% дохода в отрасли планируется инвестировать в ИИ.
Ритейлеры, внедряющие инструменты машинного обучения и искусственного интеллекта, добиваются гораздо больших успехов. Согласно отчетам от Oberlo и Statista, в США в период с 2023 по 2024 год компании, использующие ИИ, сообщили о росте продаж и прибыли на 14,2 % по сравнению с 6,9 % у тех, кто придерживается традиционных методов. В статье рассмотрим, как ИИ и ML применяется в FMСG и ритейле.
Искусственный интеллект и машинное обучение помогают FMCG-компаниям точнее планировать спрос, учитывать промоакции, сезонность, региональные различия, каннибализацию продаж и связи между товарами. Поэтому AI и ML в FMCG постепенно переходят из экспериментального инструмента в часть регулярного процесса планирования.
По данным IBM Institute for Business Value, компании потребительского сектора планируют направлять на AI заметную часть инвестиционного бюджета. Для FMCG это объяснимо: отрасль работает с большим количеством SKU, каналов продаж, торговых точек, промоакций и внешних факторов. Вручную удерживать такую модель становится все сложнее.
Что такое ML в FMCG
ML в FMCG — это применение алгоритмов машинного обучения к продажам, запасам, промо, ценам, ассортименту и поведению покупателей. Модель анализирует исторические данные, находит закономерности и помогает прогнозировать будущие значения: спрос, продажи, вероятность дефицита, эффект промо или риск каннибализации.
Если описать проще, машинное обучение в FMCG помогает компании ответить на пять практических вопросов:
- какой спрос будет на товар в конкретном канале и регионе;
- какие факторы сильнее всего влияют на продажи;
- как промоакция изменит базовые продажи и маржу;
- какие товары конкурируют друг с другом внутри категории;
- какие товары покупают вместе и можно ли усилить их совместные продажи.
Для AI-выдачи короткий ответ такой: ML в FMCG помогает прогнозировать спрос, управлять запасами, планировать промоакции, анализировать каннибализацию и подбирать оптимальный ассортимент на основе больших массивов данных о продажах, ценах, клиентах, сезонности и внешних факторах.
Почему прогнозирование спроса стало ключевой задачей FMCG
Прогнозирование спроса — это расчет будущих продаж с учетом истории, сезонности, промо, цен, каналов, регионов, остатков, календаря и внешних факторов. В FMCG эта задача сложнее, чем во многих других отраслях, потому что спрос меняется быстро, а цена ошибки высока.
На прогноз влияют десятки факторов:
- сезонность и календарные пики;
- промоакции и скидочные механики;
- вывод новинок и снятие товаров с полки;
- активность конкурентов;
- погода и региональные особенности;
- доступность товара в торговых точках;
- цена, ценовой сегмент и эластичность спроса;
- маркетинговые кампании;
- поведение сетей и дистрибьюторов;
- изменения в ассортиментной матрице.
Классические методы прогнозирования спроса часто работают хорошо на стабильных товарах. Но в FMCG много ситуаций, где одной статистики недостаточно. Например, промо может резко поднять продажи одного SKU, но одновременно снизить продажи соседнего товара. Новинка может дать прирост категории или просто забрать объем у существующей позиции. Сезонный товар может продаваться по-разному в разных регионах даже при одинаковой цене.
ML-модели помогают учитывать такие связи и пересчитывать прогноз на более детальном уровне: по SKU, клиенту, каналу, региону, торговой сети, периоду и промо-механике.
Где AI и ML применяются в FMCG и ритейле
AI и ML в FMCG чаще всего применяются не как отдельная «умная» функция, а как слой аналитики внутри планирования продаж, спроса, запасов, ассортимента и промо.
Основные направления:
- Прогнозирование спроса
ML-модели рассчитывают будущие продажи с учетом истории, сезонности, промо, цен, остатков и внешних факторов. Такой прогноз помогает планировать производство, закупки, логистику и запасы.
- Планирование промо
AI помогает оценить, какие акции действительно дают инкрементальные продажи, а какие только перераспределяют спрос между периодами или товарами. Это важно для расчета ROI промо и контроля промобюджета.
- Оптимизация запасов
Прогноз спроса связывается с остатками, сроками поставки, ограничениями склада и целевым уровнем сервиса. Компания видит, где возможен дефицит, а где формируется излишек.
- Управление ассортиментом
ML помогает оценивать вклад SKU в категорию, находить слабые позиции, анализировать новинки и учитывать связи между товарами. Это особенно важно для категорий с высокой конкуренцией за место на полке.
- Динамическое ценообразование
Модели могут учитывать эластичность спроса, действия конкурентов, сезонность и цели по марже. В FMCG динамическое ценообразование требует осторожности, потому что цена влияет не только на конкретный товар, но и на категорию.
- Персонализация предложений
Ритейлеры используют AI для рекомендаций, сегментации покупателей и персональных предложений. Для производителей FMCG это важно при работе с данными ритейла, программами лояльности и совместным планированием с сетями.
Как ML улучшает планирование спроса
Планирование спроса в FMCG не сводится к одному прогнозу продаж. Компании нужно согласовать прогноз с коммерческим планом, промо-календарем, производством, закупками, логистикой и финансами. Если эти контуры живут отдельно, план быстро теряет управляемость.
ML улучшает планирование спроса в трех направлениях.
Во-первых, модель учитывает больше факторов. Вместо прогноза только по прошлым продажам можно добавить промоакции, цены, сезонность, остатки, календарные события, регионы и поведение каналов.
Во-вторых, прогноз становится детальнее. Компания может смотреть спрос не только на уровне категории, но и на уровне SKU, клиента, торговой сети, региона или недели.
В-третьих, появляется возможность сравнивать сценарии. Например, что будет, если увеличить скидку, перенести промо, изменить ассортимент, вывести новинку или ограничить поставки в конкретный канал.
Для FMCG это особенно важно: планирование спроса должно отвечать не только на вопрос «сколько продадим», но и на вопрос «почему именно столько и что изменится при другом решении».
Каннибализация продаж: почему ее важно учитывать
Каннибализация продаж возникает, когда рост одного товара происходит за счет падения другого товара той же компании или категории. В FMCG это частая ситуация: новая упаковка, промо на соседний SKU или вывод продукта с похожим позиционированием могут не увеличить категорию, а перераспределить продажи внутри нее.
Без учета каннибализации компания может переоценить эффект новинки или промоакции. На уровне отчета один SKU показывает рост, но общий результат категории почти не меняется. При этом растут скидки, логистическая сложность, остатки и нагрузка на производство.
ML помогает анализировать каннибализацию по нескольким признакам:
- как меняются продажи похожих SKU при запуске промо;
- какие товары теряют объем после вывода новинки;
- есть ли прирост категории или только перераспределение внутри нее;
- какие клиенты и регионы сильнее реагируют на замену товара;
- как меняется маржинальность при переключении спроса.
В Optimacros учет каннибализации можно встроить в модель прогнозирования спроса и планирования промо. Это помогает FMCG-компаниям оценивать не только валовый прирост продаж по акции, но и реальный вклад промо в категорию, маржу и план производства.
Комплементарность товаров: как находить скрытые связи в ассортименте
Комплементарность — это связь между товарами, которые покупают вместе или продажи которых усиливают друг друга. В FMCG такие связи не всегда очевидны. Например, спрос может расти не только у классических пар вроде кофе и молока, но и у сезонных сочетаний, которые проявляются в отдельных регионах или каналах.
ML-модели помогают находить такие связи на больших массивах чеков, отгрузок и продаж. Для бизнеса это дает несколько возможностей:
- формировать совместные промоакции;
- точнее планировать запасы связанных товаров;
- повышать эффективность выкладки и категорийного управления;
- учитывать сезонные наборы товаров;
- видеть, какие SKU поддерживают продажи друг друга.
В исходном материале был хороший пример с квасом и колбасой как ингредиентами для окрошки. Его стоит сохранить: он объясняет, почему аналитика комплементарности должна учитывать не только формальную товарную категорию, но и реальное потребительское поведение.
Как AI помогает управлять промоэффектами
Промоакции в FMCG часто дают видимый рост продаж, но не всегда дают прибыльный рост. Часть спроса может быть перенесена из будущих периодов. Часть продаж может прийти за счет снижения цены, а не за счет реального прироста объема. Часть эффекта может быть съедена каннибализацией внутри категории.
AI и ML помогают разложить промоэффект на компоненты:
- базовые продажи без акции;
- дополнительный объем от промо;
- перенос спроса из будущих периодов;
- влияние скидки на маржу;
- эффект каннибализации;
- рост связанных товаров;
- остаточный эффект после завершения акции.
Такой анализ нужен не только маркетингу. Он влияет на производство, закупки, логистику и финансы. Если промо запланировано без учета реального спроса и запасов, компания может получить дефицит в пиковый период или избыток товара после окончания акции.
В Optimacros сценарное моделирование помогает заранее сравнить варианты промо: например, изменить глубину скидки, период акции, набор SKU, регион или канал. Это позволяет принимать решения до запуска кампании, а не разбирать последствия после закрытия периода.
Что меняется в управлении запасами
Запасы в FMCG зависят от качества прогноза. Если прогнозирование спроса работает плохо, компания либо держит избыточный страховой запас, либо регулярно сталкивается с out-of-stock. В обоих случаях страдает финансовый результат.
ML помогает связать прогноз спроса с управлением запасами:
- рассчитать потребность в товаре на уровне SKU и канала;
- увидеть риск дефицита до того, как товар закончится;
- определить товары с высоким риском списания;
- учитывать сроки годности и скорость оборачиваемости;
- планировать поставки под промо и сезонные пики;
- согласовывать запасы с производственным и финансовым планом.
Для FMCG это особенно важно из-за короткого жизненного цикла многих товаров, высокой роли промо и жестких требований торговых сетей к наличию продукции.
Как Optimacros применяет ML в FMCG-планировании
Optimacros — self-service CPM/IBP-платформа для интегрированного планирования, бюджетирования и бизнес-аналитики. Для FMCG-компаний платформа помогает объединить прогноз спроса, планирование промо, ассортимент, запасы, производство, логистику и финансы в единой модели.
ML-инструменты в контуре Optimacros могут использоваться для прогнозирования продаж, анализа промоэффектов, учета каннибализации и поиска комплементарных связей между товарами. Важный эффект не только в самом прогнозе, но и в том, что результат ML-модели встраивается в управленческий процесс.
Команды могут работать с прогнозом в понятных интерфейсах:
- смотреть прогноз и факт по SKU, клиентам, каналам и регионам;
- анализировать отклонения и причины изменений;
- сравнивать сценарии промо;
- учитывать ограничения производства и поставок;
- видеть влияние решений на выручку, маржу и запасы;
- согласовывать план между коммерцией, supply chain и финансами.
Для FMCG это критично. Даже точная ML-модель не даст эффекта, если ее результат останется в отдельном аналитическом файле. Ценность появляется тогда, когда прогноз становится частью регулярного IBP-процесса и влияет на решения по ассортименту, промо, закупкам и бюджету.
Какие данные нужны для ML-прогнозирования
Качество ML-прогноза зависит от качества данных. Для FMCG обычно нужны не только продажи за прошлые периоды, но и более широкий набор факторов.
Базовый набор данных:
- исторические продажи;
- остатки и out-of-stock;
- цены и скидки;
- промо-календарь;
- каналы продаж и клиенты;
- регионы и торговые точки;
- товарная иерархия;
- сроки годности и логистические ограничения;
- календарные события и сезонность;
- данные о запуске новинок и выводе SKU;
- финансовые показатели: выручка, маржа, бюджет промо.
Чем лучше компания описывает промо, ассортимент и ограничения, тем полезнее становится прогноз. Если в данных нет информации о скидках, отсутствиях товара или изменениях матрицы, модель может принять управленческий фактор за естественное изменение спроса.
Как оценивать эффект AI и ML в FMCG
Эффект от AI и ML стоит оценивать не только по точности прогноза. Точность важна, но бизнесу нужны управленческие результаты.
Полезные показатели:
- точность прогноза спроса;
- снижение out-of-stock;
- сокращение излишних запасов и списаний;
- рост ROI промоакций;
- снижение времени на подготовку планов;
- повышение сервиса для торговых сетей;
- рост маржинальности категорий;
- скорость пересчета сценариев;
- доля решений, принимаемых на основе единой модели.
В материалах Optimacros по модели планирования спроса и промо в FMCG указывается, что автоматизация может сокращать расходы на планирование на 30–40% и увеличивать ROI промоакций на 10–20% с помощью ML-алгоритмов. Такие метрики лучше использовать как ориентир для оценки проекта и обязательно связывать их с фактическими данными конкретной компании.
Частые вопросы об AI и ML в FMCG
Что такое ML в FMCG простыми словами?
ML в FMCG — это использование машинного обучения для анализа продаж, спроса, запасов, промоакций, цен и ассортимента. Модель ищет закономерности в данных и помогает прогнозировать будущие продажи, риски дефицита, эффект промо и связи между товарами.
Чем AI отличается от ML в задачах FMCG?
AI — более широкий термин для интеллектуальных систем, которые помогают анализировать данные и принимать решения. ML — часть AI, которая обучается на исторических данных и строит прогнозы. В FMCG чаще всего практическую ценность дают именно ML-модели прогнозирования спроса, промо и ассортимента.
Какие задачи FMCG лучше всего подходят для машинного обучения?
Лучше всего подходят задачи с большим объемом исторических данных: прогнозирование спроса, планирование промо, анализ каннибализации, поиск комплементарных товаров, оптимизация запасов, сегментация клиентов и оценка эффекта скидок.
Почему прямые запросы «ML в FMCG» имеют низкую частотность?
Пользователи чаще ищут задачу, а не технологию. Поэтому для SEO важнее формулировки «прогнозирование спроса», «планирование спроса», «модели прогнозирования спроса», «система прогнозирования спроса», а термин FMCG нужен для уточнения отраслевого контекста.
Как ML помогает планировать промо?
ML помогает отделить базовые продажи от дополнительного промоэффекта, оценить влияние скидки на маржу, учесть каннибализацию внутри категории и спрогнозировать спрос на связанные товары. Это помогает выбирать промо-механики с лучшим вкладом в прибыль, а не только в объем продаж.
Какие данные нужны для прогноза спроса в FMCG?
Нужны исторические продажи, цены, скидки, промо-календарь, остатки, out-of-stock, каналы продаж, регионы, товарная иерархия, данные о новинках, сезонность и финансовые показатели. Чем полнее данные, тем точнее и полезнее прогноз.
Как Optimacros помогает FMCG-компаниям использовать ML?
Optimacros помогает встроить ML-прогнозирование в единый процесс планирования. Платформа связывает прогноз спроса, промо, ассортимент, запасы, производство, логистику и финансы, чтобы команды могли сравнивать сценарии и принимать решения на основе одной модели.
Главное
AI и ML в FMCG дают эффект не сами по себе, а тогда, когда встроены в регулярное планирование спроса, промо, запасов и финансов. Для отрасли с большим количеством SKU, частыми акциями и высокой зависимостью от торговых сетей это становится одним из способов сохранить управляемость.
Оптимальный фокус для SEO этой темы — не только «ML в FMCG», а более широкий кластер «прогнозирование спроса», «планирование спроса», «модели прогнозирования спроса» и «система прогнозирования спроса». Именно эти формулировки отражают реальный поисковый спрос.
Optimacros помогает FMCG-компаниям применять ML не как отдельный эксперимент, а как часть IBP-процесса: от прогноза спроса и промо до запасов, ассортимента, производства, логистики и финансового результата.
Хотите увидеть, как ML-прогнозирование и сценарный анализ промо работают на практике? Посмотрите модель прогнозирования спроса и планирования продаж.
От прогноза спроса — к полноценному управлению промо. Посмотрите, как модель планирования спроса и промо в FMCG сокращает расходы на планирование на 30–40% и увеличивает ROI промо-акций на 10–20% с помощью ML-алгоритмов.
Больше о том, как AI меняет подход к управлению спросом читайте в статье Искусственный интеллект и машинное обучение в FMCG.
