Решение для оптимизации календаря промо на базе машинного обучения
- Заказчик:
- MARS
- Поставщик
- Rubbles
- Год завершения проекта
- 2021
- Сроки выполнения проекта
- Октябрь, 2020 - Сентябрь, 2021
- Масштаб проекта
- 6500 человеко-часов
- Цели
Реализация решения для формирования календаря промо активностей при помощи машинного обучения на основании установленных целей и ограничений со стороны бизнес-пользователей:
- Возможность проанализировать множество различных сценариев промо за один период планирования
- Повышение экономической эффективности промо плана, за счет выбора наилучшей комбинации товаров, механик и периодов проведения промо
Уникальность проекта
- Решение Rubbles для оптимизации календаря промо на базе машинного обучения положило начало трансформации процессов торгового маркетинга компании.
- Реализована возможность формировать различные сценарии оптимизации исходя из целей компании и клиента (торговой сети). Например доходность, объем реализации, оборот и т.д.
- В ходе проекта осуществлен переход от предиктивной аналитики к рекомендательной системе поддержки принятия решения.
- Архитектура решения реализована таким образом, чтобы обеспечивать формирование рекомендаций и оценку вносимых изменений в режиме, близком к реальному времени.
- Использованное ПО
- Azure Data Bricks, Azure Data Factory, Apache Spark, Pyomo, CBC, lightGBM
- Сложность реализации
- Сложный многофункциональный технологический стек
- Внедрение решения синхронно с изменением бизнес-процесса
- Дефицитная экспертиза в предметной области
- Описание проекта
Процесс планирования промо является одним из наиболее ресурсозатратных для практически любого FMCG, при этом цена ошибки крайне высока и напрямую влияет как на объем проданного товара, так и на ряд других показателей - доходность, средняя полочная цена, уровень промо нагрузки и тд.
К примеру, календарь промо для одной крупной сети состоит из более чем 300 событий, которые должны быть спланированы так, чтобы учесть все заложенные правила (глубина скидки, необходимое количество волн, перерывы между событиями, соседства в каталоге, последовательность активаций) с одной стороны. С другой – они должны выполнять поставленные задачи по РТО, затрачиваемому бюджету, инкрементальному росту продаж и тд. Сейчас все это делает один выделенный менеджер по клиентскому маркетингу в течение нескольких месяцев, при этом идет расчет ограниченного количества сценариев. Чтобы рассчитать все возможные сценарии и найти оптимальный, понадобилось бы нанять как минимум несколько десятков таких менеджеров. При этом в течение года в календарь вносятся изменения требующие пересчета всех сценариев для новой оптимизации.
В реализованном решении специалисты отдела продаж определяют бизнес-сценарий которому должен соответствовать календарь промо. Решение, в свою очередь, генерирует возможные варианты календарей таким образом, чтобы максимизировать эффективность при заданных ключевых параметрах, например увеличение маржинальности промо при сохранении доли рынка.
Реализованное решение дает следующие преимущества:
- Потенциальное увеличение эффективности промо (ROI) на 10%
- Пользователь получает на выходе рекомендации по оптимальным промо нападениям, которые можно скорректировать и оценить корректировку, что значительно сокращает время, потраченное на генерацию наполнений
- Промо календарь всегда следует заданным параметрам и ограничениям
