Возможности Искусственного интеллекта позволили трансформировать процесс промо-прогнозирования в Danone

Компания Danone – крупнейший в мире производитель молочной продукции, развивающий такие бренды как Activia, Actimel и другиев десятках продуктовых категориях молоко, сметана, йогурты, детское питание и др. Важным драйвером спроса на продукцию являются ценовые промо-акции в крупнейших национальных торговых сетях.

Качество прогноза продаж в промо влияет на уровень сервиса, количество списаний, отношения с клиентами, затраты на хранение и транспортировку, многое другое: цена повышения точности на каждый процентный пункт может приводить к значимому росту эффективности. А учитывая, что подавляющая часть бизнеса компании – это скоропортящаяся продукция, всегда требуются сверхусилия, чтобы строить и улучшать качество прогнозирования.

Следуя глобальной стратегии материнской компании по освоению технологий искусственного интеллекта (AI) для повышения эффективности бизнес-процессов, проектная команда, в которую вошли сотрудники Danone из отделов управления цепочками поставок, маркетинг-ревью, IT, Data team, искала решение по автоматизации нового поколения на базе алгоритмов машинного обучения. В итоге было принято решение разработать кастомизированную ML-модель прогнозирования с учетом всех особенностей бизнес-процесса и доступных данных Danone.

Единой проектной командой была разработана и запущена ML-модель прогнозирования продаж во время промо-акций в ключевых национальных клиентах-ритейлерах:

• Разработана мультипараметрическая модель с использованием широкого набора данных: исторические отгрузки, продажи с полки, промо-планы, уровень цен, заказы от клиентов, уровень запасов, календарные события, изменения ассортимента.
• В основе модели – комбинация нескольких ML-алгоритмов, таких как Ridge, Lasso, KNN, XGBoost, а также нормализация данных и автоматический отбор признаков.
• Горизонт прогнозирования, заложенный в модель, состоит из текущего и следующего квартала по месяцам в разбивке по продуктовым линейкам, промо-акциям («слотам») и клиентам.
• Настроена автоматическая интеграция между входящими данными и моделью, а также задан функционал запуска автоматического пересчета прогноза силами бизнес-команды.
• Проведен аудит существующего процесса и подготовлен обновленный дизайн процесса промо-прогнозирования с учетом особенностей новой AI технологии.
• Команда консультантов осуществляет техническую постпроектную поддержку созданной модели в формате business as usual, параллельно развивая модель через дополнительные доработки.

Повышение точности ML-прогноза до 74,3% по сравнению с прогнозом, создаваемым командой промо-планирования с помощью существующего IT-решения (70,6%).