Как учесть эффект каннибализации при прогнозировании промо

Сергей Кравченко, Старший аналитик данных, Beltel Datanomics

Важнейшим фактором, влияющим на спрос товара, являются промо активности. Изменение цены товара, дополнительные выкладки, рекламные кампании могут существенно изменять спрос как на промо товар, так и на товар-конкурент, который совместно с промо-товаром продается по регулярной цене.

По данным исследования Nielsen для 85% покупателей цена – решающий фактор совершения покупки. Естественно предположить, спрос на товары с регулярной ценой упадет при проведении промо на аналогичный товар производителя-конкурента из-за оттока клиентов. Такое явление называется каннибализацией продаж.

В одной из предыдущих статей мы перечислили набор факторов, влияющих на качество прогнозирования промо, а также отметили, что эластичность спроса товаров от акции к акции не является постоянной величиной. Причиной непостоянности эластичности спроса товара могут быть наличие/отсутствие товаров-конкурентов, одновременно участвующих в акции.

В этой статье мы опишем метод поиска пар товаров, которые каннибализируют продажи друг друга, применим оценку значимости эффекта каннибализации товаров.

Предположим, у нас есть два товара, которые могут конкурировать в продажах. Мы хотим выявить эффект спада продаж товара А при проведении акции на товар В. Чтобы оценить эффект мы возьмем продажи А, очищенные от акции, и разделим на две группы:

  1. Неакционная продажа товара А при проведении акции на товар В
  2. Неакционная продажа товара А при отсутствии акции на товар В

Изменение продаж товара А можно выразить так:

D = Snp – Sp

где

      Snp – усредненная неакционная продажа товара А при регулярных продажах товара В,

      Sp – усредненная продажа товара А во время акции товара В

Если товары каннибализируют друг друга, то величина D должна быть положительной, но этого недостаточно, чтобы с уверенностью утверждать, что эффект каннибализации значим. Для оценки значимости мы будем использовать двухвыборочный  t-критерий. Ниже представлен псевдокод алгоритма поиска с использованием этого критерия:

Results = []

For A in all_items:

      All_B = all_items – A

      For B in All_B:

            For discount in all_B_discounts:

                  Обыч. продажи = А[(А не промо) и (В не промо)]
Канн. продажи = А[(А не промо) и (
B промо)]
t_stat, p = t_test(Обыч. продажи, Канн. продажи)
D = Snp – Sp
if p < 0.05:
добавить в
Results [A, B, p, D, discount_id]

 

all_items – множество всех товаров в группе
All_B – множество all_items без товара А
А – товар, на котором мы хотим обнаружить эффект каннибализации
В – товар, который может каннибализировать продажи товара А
all_B_discounts – множество всех скидок товара B при регулярных продажах товара А
p – вероятность того, что при проведении акции на товар-конкурент продажи не упали

 

Полученный список акций Results фильтруем по p < 0.05,  при таком условии различие продаж Sp и Snp является статистически значимым.

Полученный метод позволяет находить пары товаров, которые каннибализируют друг друга. Однако часто бывает, когда в акции участвует группа товаров, например, йогурты нескольких производителей –  тогда необходимо рассматривать эффект каннибализации группой, применив аналогичный алгоритм.

Ниже представлен реальный пример выявленных продаж пары товаров с эффектом каннибализации данным методом:

Рисунок 1

Описанный выше алгоритм может рассматриваться как инструмент поиска конкурирующих товаров, однако он не дает 100% результата. На практике могут попадаться случаи неразмеченных акций, уценок, резких изменений регулярных цен, из-за которых, как правило, возникают как ложноположительные, так и ложноотрицательные ошибки. Проблему неразмеченной ценовой активности можно частично решить последующей постобработкой данных, однако это не может полностью заменить разметку – без неё невозможен анализ каннибализации товаров.

Результат этого метода может использоваться при построении ML-модели как дополнительный количественный или качественный признак учета акционной активности товара-конкурента или группы товаров-конкурентов при прогнозировании регулярных продаж. Современные методы прогнозирования позволяют использовать такие признаки в качестве дополнительной информации при прогнозировании объемов продаж товара.

Дополнительно

Прогнозирование промоакций. Заменит ли машина человека? (datanomics.ru)

Почему важно поддерживать актуальность данных по акциям и остаткам (datanomics.ru)

У природы нет плохой погоды для продаж. Как учитывать погоду при прогнозировании спроса (datanomics.ru)

Оставьте заявку и получите бюджет и план внедрения наших решений в ваш бизнес

    Заполняя форму, Вы соглашаетесь с правилами обработки персональных данных.

    Мы используем файлы cookies, чтобы получать статистику и делать наш сайт и другие сервисы удобными для вас. Продолжая дальнейшее использование сайта и/или его сервисов, вы соглашаетесь с этим. Более подробную информацию можно прочитать в «Политика обработки персональных данных» и в «Политика Cookies»