Как прогнозная модель помогает анализировать динамику рынка

Расскажем про создание прогнозной модели на примере анализа рынка маркетплейса. Перед началом работ нам необходимо было:

• погрузиться в статистику, которая была собрана для определенных сервисов

• разобраться с тем, как будет себя вести та или иная категория товаров

• оценить, в какую категорию нам необходимо выходить

• определить структуру выручки, чтобы замкнуть общий контур стратегии

Маркетплейсы не похожи по структуре собираемых данных на обычный ритейловый бизнес. Если в ритейле компания всегда знает количество пробитых чеков, количество клиентов и количество повторных покупок, то в маркетплейсах эти параметры узнать невозможно. Следовательно, в начале работы нам необходимо было определить анализируемые параметры.

Для этого мы взяли конкретные категории товаров, которые присутствуют на маркетплейсах, и выделили ключевые метрики в этих категориях товаров.

Метрики мы декомпозировали до субгрупп и проанализировали динамику развития этих «рынков». Опираясь на ретроспективные данные, мы проанализировали показатели продаж каждой субгруппы – результатом стал график поведения «рынка», где есть объем выручки (оборот, формирующийся в этой субгруппе) и временные отрезки, в рамках которых мы это наблюдаем.

/Ход работ

Мы взяли выгрузку за два последних года, чтобы посмотреть, как формируется динамика продаж в этой субгруппе. График динамики продаж мы построили по каждому из 35-40 доступных для выгрузки параметров. Среди параметров:

• количество продавцов

• количество товаров в категории

• количество продавцов с продажами

• количество товаров с продажами

• сезонность продаж

• темпы роста категории

• сумма продажи (средний чек)

• количество продаж за период и так далее

Основная задача анализа графиков – найти зависимость параметров друг от друга, чтобы можно было при изменении одних показателей понимать изменения других и тем самым прогнозировать динамику рынка.

Поэтому мы взяли Питон и прогнали все построенные графики через алгоритм, помогающий определить поведение той или иной метрики ретроспективных данных.

На основе ретроспективных выгрузок мы смотрели, как параметры сочетаются друг с другом. Алгоритм анализировал реальные данные продаж, день за днем формируя связки параметров друг с другом. С каждым таким заходом точность алгоритма возрастала. Таким образом, мы получили самообучающуюся модель с точностью предсказания 94% на горизонте двух недель и 84% на горизонте месяца.

Стоит отметить, что модель в разрезе каждого сегмента продукта выделяет свои корреляционные коэффициенты. Таким образом, мы получаем для каждой категории продуктов свой прогноз. На графике показан процесс обучения модели.

С помощью работы алгоритма мы выявили 3 основных метрики, которые говорят нам о поведении и развитии анализа рынка маркет-плейсов:

1. Количество чеков – количество продаж в категории
2. Средняя стоимость позиции
3. Общий оборот в категории

Прогнозируя эти три параметра, мы можем понимать, как меняется специфика покупок в конкретной категории, и как они в совокупности влияют на показатели средней выручки.

Если мы видим, что выручка остается стабильной, то это не показатель, что в следующем месяце будут продаваться те же позиции, что и в прошлом. Можно увидеть, что средняя стоимость позиций сократилась, а количество – выросло, что не отразилось на показателе средней выручки. Это могло означать, что в дело вступил фактор сезонности и спрос повысился на позиции с меньшей ценой.

Проще всего проиллюстрировать этот тезис на примере продаж в категориях товаров для автомобилей. В конкретный временной промежуток модель показала стагнацию рынка. Не погружаясь в конкретные параметры, можно решить войти на рынок и начать продавать те позиции, которые хорошо продавались у конкурентов месяц назад. Оказывается, нет – модель также показала сокращение количества продаж и рост среднего чека. Эти параметры компенсировали друг друга и оборот остался прежним. Подобная ситуация была вызвана наступлением межсезонья, когда часть автолюбителей либо переобували автомобиль в зимнюю резину, либо ставили его на стоянку до весны. Высокая стоимость комплекта зимней резины компенсировала снижение количества продаж.

Для анализа динамики рынка мы использовали четвертый параметр – индекс Херфиндаля-Хиршмана.

/Индекс Херфиндаля-Хиршмана

Индекс показывает, насколько монополизирован рынок и как он фрагментирован в зависимости от того, какие игроки на нем присутствуют. Для построения стратегии продвижения мы учитываем также то, насколько сильно рынок монополизирован. Понять это помогает расчет суммы квадратов долей рынка – индекс Херфиндаля-Хиршмана.

Есть две крайности его проявления.

Первый — на рынке существует только одна компания, которая занимает весь объем. Тогда доля рынка будет 1, то есть 100%. Такой индекс означает, что рынок полностью занят и монополизирован одной компанией.

Второй — рынок очень сильно фрагментирован, у каждой компании по 1,5-2% доли рынка. В таком случае индекс будет стремиться к нулю.

Таким образом, чем меньше индекс Херфиндаля-Хиршмана, тем сильнее фрагментирован рынок. Зная, насколько монополизирован и фрагментирован рынок, как он развивается, какими были ретроспективные данные, мы можем разобраться в построении стратегии продвижения на новом рынке или завоевании большей доли старого.

Таким образом, анализируя аналогичный период прошлого года, ретроспективные продажи и динамику роста, компания может спрогнозировать, как те или иные параметры будут себя вести в следующем месяце. Знание трендов изменения клиентских предпочтений поможет компании превентивно изменить структуру клиентопотока в соответствии с изменившимися JTBD клиентов.

На основе этих двух показателей можно выбрать стратегию продаж внутри категории товаров. Опираясь на стратегии, мы можем выделить три группы действий:

1. Категории с высоким потенциалом – в них компании необходимо попасть.
2. Категории со средним потенциалом – в этой категории компании нужно либо остаться, если она уже в ней закрепилась, либо не выходить в нее совсем.
3. Категории с низким потенциалом – нерентабельны, из них нужно выходить.

Прогнозная модель в сочетании с индексом Херфиндаля-Хиршмана помогает компании понять, как те или иные параметры прибыли будут себя вести в следующем месяце. Знание трендов изменения клиентских предпочтений поможет компании превентивно изменить структуру клиентопотока в соответствии с изменившимися JTBD клиентов.

Конечно же, никакие модели не смогут учесть резкую смену экономической ситуации в мире/стране/регионе. Чтобы построить эффективную прогнозную модель, необходимо опираться не только на данные ретроспективы, но и на аналитику текущей ситуации.