Трансформация процесса промо-прогнозирования в Danone

Компания Danone – крупнейший в России и мире производитель молочной продукции, развивающий такие бренды как Activia, Actimel, Простоквашино, Тёма в 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 и 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 отдела управления цепочками поставок, маркетинг-ревью, IT, Data team, искала решение по автоматизации нового поколения — на базе алгоритмов машинного обучения. По результатам анализа рынка технологий было решено разработать кастомизированную ML-модель прогнозирования с учетом всех особенностей бизнес-процесса и доступных данных Danone.

Командой Augmento (входит в группу Advanced) была разработана и запущена ML-модель прогнозирования продаж во время промо акций в ключевых национальных клиентах-ритейлерах:

1. 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.
2. В основе модели — комбинация нескольких ML-алгоритмов, таких как Ridge, Lasso, KNN, XGBoost, а также нормализация данных и автоматический отбор признаков.
3. Горизонт прогнозирования, заложенный в модель, состоит из текущего и следующего квартала по месяцам в разбивке по продуктовым линейкам, промо акциям («слотам») и клиентам.
4. Настроена автоматическая интеграция между входящими данными и моделью, а также задан функционал запуска автоматического пересчета прогноза силами бизнес-команды без вовлечения команды внешних консультантов.
5. Был проведен аудит существующего процесса и подготовлен обновленный дизайн процесса промо прогнозирования с учетом особенностей новой AI технологии.
6. Команда Advanced Machine learning осуществляет техническую постпроектную поддержку созданной модели в формате business as usual, параллельно развивая модель через дополнительные доработки.

Повышение точности ML-прогноза на 5% до 74,3% по сравнению с прогнозом, создаваемым командой промо планирования с помощью существующего IT-решения