Как прогнозная модель помогает анализировать динамику рынка
/Статья
/Введение
В этой статье мы разберем, как с помощью прогнозной модели анализировать рынок, предсказывать, куда он будет двигаться, и определять стратегию компании в рамках этого движения.
Расскажем про создание прогнозной модели на примере анализа рынка маркетплейса.
Перед началом работ нам необходимо было:
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.
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.
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:
С помощью работы алгоритма мы выявили 3 основных метрики, которые говорят нам о поведении и развитии анализа рынка маркет-плейсов:
- Количество чеков – количество продаж в категории
- Средняя стоимость позиции
- 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.
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.
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.
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:
- Категории с высоким потенциалом – в них компании необходимо попасть.
- Категории со средним потенциалом – в этой категории компании нужно либо остаться, если она уже в ней закрепилась, либо не выходить в нее совсем.
- 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.
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.
Заполните бриф, и мы поможем вам связать воедино данные ретроспективы и текущую ситуацию и прогнозировать, с какими вызовами рынка ваша компания столкнется в будущем
Все полезные материалы по маркетингу от экспертов Paper Planes в нашем чат-боте Telegram
База знаний Paper Planes
/свяжитесь с нами, чтобы