Глава 1. Сравнительный анализ методологических и инструментальных аспектов прогнозирования спроса для FMCG – компаний

1.1. Основные подходы к прогнозированию спроса на продукцию FMCG-компаний — ретроспектива и тренды
1.2. Специфика планирования спроса на рынке кормов для домашних животных
1.3. Сравнительный анализ существующих методов прогнозирования спроса на продукцию для домашних животных
1.4. Краткие выводы

 

Глава 1. Сравнительный анализ методологических и инструментальных аспектов прогнозирования спроса для FMCG – компаний

 

1.1.  Основные подходы к прогнозированию спроса на продукцию FMCG-компаний — ретроспектива и тренды

 

Прогнозирование спроса – первый и ключевой шаг процесса планирования продаж и операций (Sales and Operations Planning, S&OP). Рассмотрим методы прогнозирования спроса, основанные на экстраполяции временных рядов. Для этого необходимо знать данные о фактических продажах за несколько лет, которые, первым делом, необходимо очистить от нехарактерных всплесков или падений.

Далее может быть использовано несколько подходов. Во-первых, можно искать такую функцию, которая сразу хорошо опишет все имеющиеся фактические данные. Это можно делать, например, с помощью метода Хольта-Винтерса. Во-вторых, можно раскладывать фактические данные на несколько составляющих, таких как тренд и сезонность, и прогнозировать каждую из них по отдельности. Понять, есть ли в данных сезонность можно с помощью автокорреляционной функции, которая позволяет обнаруживать наличие зависимостей внутри временного ряда. Если видно, например, что на периоде 12 месяцев коэффициент автокорреляции близок к единице, значит имеется выраженная годовая сезонность. При таком подходе раскладывают фактические данные на три составляющие:

X(t)=Tr(t)+S(t)+e(t),

где X(t) – прогнозируемый ряд, Tr(t) – тренд, S(t) – сезонность, e(t) — ошибка.

Рассмотрим именно такой подход. Методика состоит из нескольких шагов:

1. Очистка данных от нехарактерных всплесков и падений;
2. Выделение сезонности («десезонализация»). Соответственно фактические данные, очищенные от сезонности, будем называть «десезонализированным» трендом (сокращенно ДСТ – ДеСезонализированный Тренд), или просто трендом;
3. Экстраполяция ДСТ с помощью одного из пригодных для этого методов;
4. Коррекция получившегося прогноза в случае наличия очевидных ошибок;
5. Наложение на получившийся прогноз сезонности. Получившийся результат будем называть базовым прогнозом;
6. Увеличение или снижение базового прогноза за счет определенных активностей, то есть получение окончательного прогноза.

Разберем эти шаги на примере. Для этого необходимо рассмотреть некую компанию Х, которая производит и продает консервированные овощи и фрукты. Итак, нужно спрогнозировать продажи компании на 12 месяцев вперед. Предположено, что исторические данные таковы:

Таблица 1. Фактические продажи компании Х за 3 года

Рисунок 1. Фактические продажи компании Х за 3 года

Очевидно, что в феврале и сентябре 2018 года, а также в мае 2017-го, произошли какие-то события, которые значительно повлияли на продажи компании в эти периоды. Эти события могли быть как случайными, так и заранее спланированными. Например, резкий рост продаж в мае 2017 года мог быть связан с активной рекламной компанией. Все те факторы, которые значительно влияют на продажи и которые, при этом, могут быть заранее спрогнозированы, в английской терминологии называются Volume Building Blocks (сокращенно VBB). Как применение VBB влияет на процесс планирования продаж и операций вообще и на качество прогноза продаж в частности, будет рассмотрено далее.

Так, не будем углубляться в вопрос о том, результатом влияния каких факторов стали нехарактерные падения продаж в феврале и сентябре 2018 года, а также всплеск продаж в мае 2017-го. Просто исключим эти точки как недостоверные, и заменим их значения на такие, которые нам представляются более соответствующими данным периодам, а именно 62 в мае 2017 года, 87, 74 в феврале и сентябре 2018-го соответственно. Теперь таблица и график будут выглядеть так, как показано ниже:

Таблица 2. Скорректированные фактические продажи компании Х за 3 года

 

Рисунок 2. График скорректированных фактических продаж компании Х за 3 года

Далее, нужно вычислить коэффициенты сезонности. Для каждого конкретного месяца коэффициент сезонности вычисляется как отношение продаж этого месяца к среднемесячным продажам за год. Но для этого нужно иметь некий, так сказать, «идеальный» год, общий тренд которого будет достаточно ровным. Если же тренд растет или падает, то в коэффициенты сезонности попадет и этот рост (падение), что, конечно, неверно. Поэтому обычно при вычислении коэффициентов сезонности используют методику сглаживания данных с помощью скользящего среднего. Фактически с помощью сглаживания выявляют тренд в данных и делим продажи на тренд, устраняя, таким образом, его влияние. Коэффициент сезонности конкретного месяца в этом случае будет равен отношению продаж этого месяца к средним продажам за год, но год не календарный, а, так сказать, «окружающий» текущий месяц (если мы сглаживаем по 12 месяцам). В этом случае, правда, сумма коэффициентов не будет равна 12, и поэтому затем получившиеся значения придется нормировать.

Вычисление коэффициентов сезонности

Итак, вычисляют скользящее среднее по 12 месяцам. Начнем с июля 2016 года, для чего берут сумму продаж половины января 2016 года, февраля, марта и т.д. до декабря 2016 года и половину января 2017 года и делят на 12 (половины январей 2016 и 2017 годов берут для того, чтобы точно центрировать июль в середине периода). Аналогично поступим для августа и т.д., до июня 2017 года. Поделив продажи каждого месяца на его скользящее среднее, получим коэффициенты сезонности. Затем нормируют получившиеся коэффициенты так, чтобы в сумме они давали 12, для чего каждый из них делят на среднее по всем коэффициентам. В принципе, на этом можно остановиться, но так как данных больше, вычисляют аналогичным образом коэффициенты сезонности за период с июля 2017 года по июнь 2018-го.

Таблица 3. Вычисление коэффициентов сезонности

 

Получившиеся коэффициенты для одинаковых месяцев разных лет не совпадают. Это объяснимо, ведь со временем сезонность может меняться. Берут для дальнейших расчетов коэффициенты, которые получены по наиболее актуальным данным, и именно по ним вычисляют тренд, разделив продажи на соответствующие коэффициенты:

Таблица 4. Факт продаж и десезонализированный тренд

 

Рисунок 3. График фактических продаж и десезонализированного тренда (ДСТ)

В определенном смысле получается замкнутый круг. Сначала вычисляют тренд, сглаживая данные. Затем с его помощью рассчитывают коэффициенты сезонности. Затем снова вычисляют тренд, используя коэффициенты сезонности. Но дело в том, что первый раз тренд и коэффициенты сезонности вычисляют на ограниченном интервале данных, а затем применяют эти коэффициенты для вычисления тренда на всем имеющемся интервале.

Далее экстраполируют тренд на 2019 год. Экстраполяцию делают на основе 18 месяцев (с июля 2017 года по декабрь 2018-го). Однако предварительно проверяют модель. Для этого экстраполяцию проводят на основе 12 месяцев и затем сравнивают с имеющимися фактическими данными за июль-декабрь 2018 года. Такой метод анализа называется «ex post».

Ex post-анализ в этом случае довольно важен, ведь выбирая модель для аппроксимации, ориентируются на показатель R². Этот показатель вычисляется как разность между единицей и отношением суммы квадратов отклонений аппроксимирующей функции от исходных данных к сумме квадратов отклонений исходных данных от их среднего:

где x_i – наблюдаемые значения, f_i – аппроксимирующая функция.

Чем ближе R² к единице, тем точнее аппроксимируемы исходные данные. В этом примере наилучший показатель R²демонстрирует полиномиальная (квадратичная) функция. Но если продолжить ее на следующие 6 месяцев и сравнить с имеющимися фактическими данными, станет видно, что постепенно отклонения становятся значительными. Поэтому для аппроксимации пользуются логарифмической функцией. Хотя ее показатель R² немного хуже, он все равно достаточно близок к единице, а ex post-анализ показывает, что логарифм хорошо прогнозирует имеющиеся данные.

Итак, экстраполируют тренд и вычисляют базовый прогноз продаж на 2019 год, умножив значения тренда на коэффициенты сезонности:

Таблица 5. Экстраполяция тренда и базовый прогноз продаж

 

Рисунок 4. Экстраполяция тренда и базовый прогноз продаж

Суммарный прогноз продаж на 2019 год дает цифру 1118. Такие продажи получат, если не будут ничего делать для их увеличения, а точнее, если будут делать только то, что уже сделано. Но если необходимо больше, то действия должны давать прирост продаж. Это отражают в прогнозе продаж с помощью Volume Building Blocks (VBB). Ниже подробно разобразна методология применения VBB в планировании продаж.

Роль экспертных оценок

Итак, как на полученный с помощью математических методов прогноз влияют экспертные оценки?  R. C. Blattberg и S.J. Hoch в своей статье “Database models and managerial intuition – 50-percent model + 50-percent manager” утверждают, что роль эксперта как минимум так же важна, как и роль математического прогнозирования.

Эксперт добавляет к прогнозу свои знания о том, что и каким образом в будущие периоды повлияет на продажи компании. Например, пусть математический прогноз продаж на следующий месяц равен 100 единиц. Если эксперту известно, что прямо перед этим стартует рекламная кампания (в связи с чем продажи должны вырасти примерно на 5%) и одновременно будет снижена цена на продукцию (что даст еще 10% прироста), то он может сказать, что прогноз нужно увеличить на 15 единиц. Однако, если нужно четко разделить приросты от разных факторов, влияющих на продажи, понадобится специальная методология. Так приходят к концепции Volume Building Blocks (VBB).

Как уже понятно из контекста, VBB – это те действия компании, которые приводят к увеличению продаж. Таких действий может быть довольно много. Классическими примерами являются: телевизионная и другие виды рекламы, различные промоакции, стимулирующие спрос, мотивационные программы, стимулирующие работу торгового персонала, изменение цены на продукцию и т.д. Отметим, VBB могут быть не только положительными, но и отрицательными. Например, если знать о том, что компания-конкурент снизит цену на свою продукцию, это, скорее всего, приведет к уменьшению продаж. Не рассмотрев все возможные варианты VBB, выберем для примера всего три, довольно общих: реклама, промоакции, активность конкурентов.

Итак, надо определить, какой прирост даст каждый из VBB и добавить эти приросты к прогнозу. Однако, как обычно, есть много тонкостей. Первый и самый сложный вопрос состоит в том, как определить, какой именно прирост даст тот или иной VBB? В некоторых случаях ответ более или менее понятен. Например, можно определить степень влияния на продажи так называемых ценовых промо, то есть временного снижения цены на тот или иной продукт. Расчет приростов по другим VBB еще более сложен. В общих словах можно лишь сказать, что, зная даты проведения прошлых мероприятий и то, что это были за мероприятия, можно с помощью методов эконометрики попытаться определить, какое влияние на продажи оказывает то или иное мероприятие. Затем полученные знания можно распространить и на мероприятия будущие. Далее нужно исходить из того, что приросты для каждого VBB определяются с помощью экспертной оценки. В любом случае крайне полезным для увеличения точности прогнозирования является сохранение всей возможной информации о любых активностях, проводимых компанией.

Для примера будем считать, что реклама, которая будет проходить в 2019 году с июля по декабрь включительно, даст в июле 3% прироста (так как начнется с середины месяца), а далее по 7% прироста ежемесячно; промоакции (снижение цены) в одном из каналов продаж, которые будут иметь место с сентября по ноябрь, дадут 30% прироста (в этом канале); активность конкурентов, которую мы также прогнозируем на сентябрь-ноябрь, снизит продажи компании на 6% ежемесячно.

IT-инструмент для прогнозирования спроса

Прежде чем на примере показать, как выглядит ввод VBB, рассмотрим каким критериям должен удовлетворять IT-инструмент, который позволит учитывать информацию о VBB, а также изучим правила работы с таким инструментом, в том числе правила сложения (агрегации) приростов. Инструмент планирования должен:

1. Быть интерактивным, то есть посредством выбора фильтров показывать информацию по всем измерениям, по которым осуществляется планирование (начиная от самого верхнего уровня и заканчивая самым детальным).
2. Позволять для любой комбинации фильтров вносить значения для VBB в процентах прироста к тренду данной комбинации, сразу пересчитывая их в абсолютные значения.
3. Распределять получившиеся абсолютные значения на все нижележащие уровни измерений пропорционально значениям этих уровней.
4. Вычислять получившийся суммарный процент прироста при агрегации процентов прироста по всем измерениям через сумму абсолютных значений приростов на нижних уровнях.
5. Позволять вносить текстовые комментарии пользователям, добавляющим или изменяющим VBB.
6. Предоставлять разным пользователям различные права доступа, чтобы каждый пользователь мог вносить изменения только в прогноз доступных ему комбинаций продуктов и клиентов.
7. Сохранять для каждого изменения данные о пользователе, который их внес (логин вносившего изменения пользователя и дату внесения изменений).

Инструмент состоит из двух частей. Внешний вид первой части выглядит приблизительно так:

Таблица 5. Экстраполяция тренда и базовый прогноз продаж

 

Рисунок 5. Внешний вид инструмента прогнозирования спроса

Кроме основной информации – фактических и прогнозных значений – могут присутствовать дополнительные данные: дистрибуция, уровень сервиса, точность предыдущих прогнозов и другие. Если в качестве инструмента планирования используется BI-продукт, дополнительные вычисления не представляют проблем, ведь подготовка отчетности – основная задача таких инструментов. Во второй части инструмента должна быть таблица с VBB и возможностью их изменения. Изначально, то есть до внесения каких бы то ни было VBB, таблица выглядит так:

Таблица 6. Форма для внесения VBB

Пример прогнозирования спроса

Начинают вносить данные согласно примеру. Сначала вносят телевизионную рекламу, которая оказывает воздействие на все продукты и каналы продаж:

Таблица 7. Форма для внесения VBB с данными о рекламе продукции

Затем выбирают конкретный канал продаж и вносим влияние акции по снижению цены:

Таблица 8. Форма для внесения VBB с данными о промо-акции в канале Y

 

Считают, что прогноз продаж в этом канале известен и что 30% прироста в канале дает 10% прироста на уровне всей компании. Наконец, вносят отрицательное влияние от активности конкурентов и на уровне всей компании окончательно получают:

Таблица 9. Форма для внесения VBB с данными обо всех активностях на уровне компании

 

Инструмент должен автоматически пересчитать проценты прироста с нижнего уровня на более высокий и вычислить итоговый прирост:

Таблица 10. Результат внесения VBB (значения округлены до целых)

Осталось показать VBB на графике. Активность конкурентов показана синей областью, и так как это отрицательный фактор, она уходит ниже базового тренда (красная линия). Реклама показана розовой областью, а промо-акции – желтой. Верхняя граница суммы этих областей дает новую линию прогноза, равную сумме базового прогноза и VBB:

Рисунок 6. Базовый прогноз и Volume Building Blocks

Прогнозирование завершено. Фактически, данный график должен явиться результатом встречи по прогнозированию спроса, на которой менеджмент компании принимает окончательные решения о том, каким будет прогноз на следующие периоды.

Итак, VBB полезны не только для улучшения точности прогнозирования, но и для процесса планирования продаж и операций в целом. Договорившись, что никакие изменения математического прогноза невозможны кроме как посредством введения VBB ответственными менеджерами, компания постепенно избавится от порочной, но распространенной практики менять прогноз только потому, что «так сказал директор».

Более того, постоянно сравнивая точность прогнозов, полученных на разных стадиях процесса планирования (математический прогноз, прогноз+VBB1, прогноз+VBB2 и т.д.) можно довольно быстро понять, кто работает на улучшение качества прогнозирования, а кто, наоборот, делает прямо противоположное.

 

Специфика планирования спроса на рынке кормов для домашних животных

 

По данным Euromonitor International, общемировой объем рынка продуктов и услуг для домашних животных в 2016 году составил порядка 80 млрд. долларов, прирост к 2017 году составил 4,4%; к 2015 – на 10 млрд. долларов. Структура рынка не претерпевает изменений с 2018 года: 44% всех продаж приходится на корм для собак, 27% — на корм для кошек. В структуре продаж кормов для домашних животных сравнительно одинаковые доли имеют средний и премиальный ценовой сегмент (порядка 40% каждый), 20% приходится на «эконом».

С точки зрения продаж, самый емкий рынок – Северная Америка, где в 2016 году средние расходы домохозяйства на продукты для животных составили порядка $225. По прогнозу рост в 2017-15 гг. составит 3-4% в год. В Восточной Европе средние расходы домохозяйств значительно ниже – менее $50, однако рынок показывает высокие темпы роста: более чем 60% за последние пять лет.

ТОП 5 мировых производителей кормов для животных: MarsInc. (доля рынка 23%), NestleS.A. (22,4%), далее с большим отрывом следуют: Colgate-Palmolive и Procter&Gambel (около 6% всех продаж) и DelMonte – чуть более 3%.

На СТМ (собственные торговые марки, privatelabels) приходится 11,6% общемировых продаж. Порядка 20% продаж под СТМ приходится на Западную Европу, 10% — Северная Америка, доля продаж в Восточной Европе составляет порядка 7%. СТМ развиваются в «эконом» и среднем ценовых сегментах, доля премиальных СТМ кормов не превышает 4%.

Таблица 11. Основные игроки мирового рынка кормов для домашних животных

Источник: Pet food Industry, 2017

По прогнозам Euromonitor International, в 2017 году общемировые продажи кормов для домашних животных достигнут 60 млрд. долларов, темпы роста в прогнозируемый период (до 2015 года) – 3-3,5% в год. Россия, по прогнозам в 2015 году займет 8-е место по величине рынка и 3-е по темпам роста.

Таблица 12. Прогноз: ТОП 10 крупнейших и ТОП 10 быстрорастущих рынков кормов для домашних животных в 2015 году

Источник: Euromonitor International, 2017

Ведущими игроками рынка кормов для кошек и собак являются транснациональные компании.

Совокупная доля Mars (включая RoyalCanin) и Nestle (Purina) составляет 80-85%. Причем 80% продаваемых кормов эти компании производят на своих заводах в России.
Безоговорочным лидером отечественного рынка кормов для животных является Mars: на долю продукции данного производителя приходится порядка 60% продаж.

На долю продукции Нестле-Пурина приходится порядка 15-20%.

Оставшуюся часть рынка делят между собой другие российские и зарубежные компании. Из отечественных производителей наиболее известны:

Гатчинский комбикормовый завод (сухие корма «Стаут» и «Наша Марка»), «Раритет» («Оскар», «Трапеза»), «КлинВет» (консервы «Васька», «Вили Хвост», Maks’s, сухой корм GoodCat), Русская кормовая компания (консервы «ЭКСИ», «Кэт-си», «Собакоff», «Котоff»).

В категории премиум 45% приходится на долю RoyalСanin (принадлежит Mars), за ней следуют Hill’s (Colgate-Palmolive) —27%, ProPlan — 10%, а также некоторые другие зарубежные бренды .

Виды компаний на рынке:

Зарубежные компании, располагающие собственным производством на территории РФ (ООО «АллерПетфуд», ООО «Марс», ООО «Провими», NestlePurina);

Отечественные компании, самостоятельно выпускающие продукт (ЗАО «Алейскзернопродукт», «Русская Кормовая Компания», ООО «Платан», «Ассортимент Агро» и др.);

Мясокомбинаты, выпускающие консервы (ОАО «Великоновгородский мясной двор», ООО «Екатеринбургский мясокомбинат» и др.);

Отечественные компании, размещающие заказы на производство продукта под собственной торговой маркой (СТМ) на чужих заводах (например, сети «Пятерочка», «Магнит», «Мetro», «Лента», «Мосмарт»).

Рынок характеризуется высокой степенью концентрации – 80% занимают две крупнейшие компании. Марс и Нестле-Пурина наращивают производство, усиливают присутствие в различных ценовых сегментах рынка, разрабатывают и выводят на рынок новые продукты с различными характеристиками и дополнительными преимуществами.

Датская компания Аллер-Петфуд занимает особую нишу в качестве производителя, принимая заказы на производство продукции у оптовых, розничных компаний. В 2008 году компания вывела свой продукт и, вероятно, продолжит развивать свои торговые марки на Рынке.

Российская компания Раритет, размещая заказы на производство в Аллер-Петфуд, имеет в своем активе два довольно известных бренда – Оскар и Трапеза. Стратегия компании заключается в демпинге.

Таблица 13. Сравнительная характеристика игроков Рынка

 

 

Сравнительный анализ существующих методов прогнозирования спроса на продукцию для домашних животных

 

Произвести анализ спроса теоретически очень сложно, так как любое изучение статистики, привлечение социологических исследований и печатных материалов дает весьма приблизительный результат. Личные контакты с возможными покупателями дают возможность определить их предпочтение, вкусы и требования, но это требует больших затрат времени и денег. Нужно учитывать, что спрос на традиционные товары практически постоянен, а при выпуске принципиально новых товаров спрос только зарождается и может опережать предложение, то есть объем производства данного товара. Но наступает момент, когда спрос на товар насыщается, потребности покупателей удовлетворяются, объем производства начинает превышать спрос.

Изучение спроса на товары и услуги должно стать основой для организации и текущего управления хозяйственной деятельности предприятия, планирования объема продаж, обеспечения процесса закупки товаров, повышения организации и уровня обслуживания покупателей, а также для изучения эффективной ценовой политики. Поэтому изучения спроса является не самоцелью, а объективной необходимостью, предполагающий совершенствование всех сторон хозяйственной деятельности предприятия, повышение его конкурентоспособности и роли на рынке конкретных товаров и услуг. Предложить товар, отвечающий особенностям спроса покупателей, возможно только на основе подробного изучения спроса на конкретном предприятии. При изучении спроса на уровне предприятия необходимо учитывать следующие особенности:

— спрос должен изучаться не только в целом, но и в разрезе отдельных товарных групп и ассортиментных позиций и даже отдельных товаров;

— спрос должен изучаться относительно не только совокупного усредненного покупателя, но и каждой конкретной группы покупателей, разделенных по различным признакам (пол, возраст, семейное и социальное положение);

— определение и конкретизация объекта изучения спроса. Объектом изучения спроса может являться, с одной стороны, ассортиментная структура товаров и услуг или определенный товар, а с другой стороны, контингент потребителей конкретного торгового предприятия;

— четко наметить организационный уровень изучения спроса, что предполагает выделение функций и задач.

Эффективным методом изучения спроса являются выставки и выставки-продажи. Наряду с демонстрацией товаров могут быть проведены показ работы технически сложных товаров, консультации по товарам; организована продажа товаров со скидкой или предоставлением более длительного, чем обычно, гарантийного срока; показаны рекламные ролики и фильмы, слайды, распространена печатная продукция, проведены лотереи, аукционы по продаже отдельных товаров, дегустации.

Наиболее эффективным методом изучения спроса считается анкетный опрос. Его осуществление состоит из нескольких этапов:

1) Определение проблемы исследования, т.е. целей, задач, объема и характера опроса.

2) Разработка целевых и программных опросов.

3) Выбор способа проведения опроса и опрашиваемых лиц.

4) Разработка пробной анкеты, ее испытание и окончательная редакция вопросов.

Согласно классической экономической теории основным фактором, влияющим на уровень потребления и поведение потребителя, является его доход, и при оценке потенциального спроса на товар доход всегда выступает в качестве основного ограничения. При построении прогнозных моделей спроса используются также корреляционные взаимосвязи, которые, как правило, способствуют более точному определению целевой аудитории на изучаемый момент времени.

Однако подобный подход к прогнозированию спроса может быть полезным для обычных аналитических целей, но он будет неприемлем для анализа долгосрочной перспективы спроса. На самом деле данное допущение может считаться корректным только в очень краткосрочной перспективе. Исключение из долгосрочного анализа факта роста разнообразия приводит к ошибочным прогнозам, что влечёт за собой неэффективную работу производства, затоваривание, и в конечном итоге может привести к банкротству предприятия.

В работе Пьера Паоло Савиотти «Разнообразие, рост и спрос» представлена модель формирования спроса на товар. Согласно Савиотти, спрос на товары или услуги, созданные инновациями, начинает формироваться, только если преодолены три барьера.

Критический человеческий капитал — спрос на товар начинает формироваться с того момента, когда о товаре узнает достаточное число потребителей. Минимальное необходимое число информированных потребителей называется критическим человеческим капиталом. Действительно, пока продажи вашего товара имеют случайный разовый характер, о спросе говорить не приходится.

Спрос начинается с того момента, когда продажи вашего товара начинают принимать более — менее устойчивый характер, подчиняющийся определённым закономерностям, а для этого необходимо, чтобы о вашем товаре знало хотя бы минимальное число потребителей, способных обеспечить эту устойчивость.

2. Критическая пригодность — товар должен обладать минимальным допустимым набором необходимых потребителю характеристик. Данный критерий также является неоспоримым, поскольку потребитель начнёт интересоваться товаром только при том условии, что он сможет от его покупки получить хоть какую-то дополнительную пользу по сравнению со старой модификацией. В противном случае менять предпочтения и состав потребительской корзины будет нецелесообразно. В случае же, если товар будет обладать преимуществом только по одному типу показателей, массовых продаж она скорее всего не достигнет.
3. Критический минимальный уровень дохода — потребитель только тогда станет покупать товар, когда его дохода будет хватать для удовлетворения всех предшествующих потребностей и ещё останутся средства для удовлетворения потребности, насыщаемой данным товаром. Это является выражением общепринятого ограничения по доходу, используемого в классической экономической теории.

Согласно Савиотти, потребитель станет приобретать товар только в том случае, если его доход достигнет такого уровня, при котором станет возможно приобретение данного товара. И такой уровень называется критическим уровнем дохода. В отличие от существующей маржиналистской теории, где предполагается, что с ростом дохода потребитель пропорционально увеличит количество приобретаемых товаров, данная модель опирается на предположение о том, что увеличение дохода приводит к смещению предпочтений потребителя в сторону более совершенных, более новых и более дорогих товаров, а не в сторону увеличения приобретаемого количества.

Однако это возможно только при одном условии — потребителю незачем расширять ассортимент и номенклатуру товаров в своей потребительской корзине, и он смещает свои предпочтения в сторону качества, а не количества приобретаемой продукции. Реальный доход, необходимый для обеспечения достаточного номенклатурного ассортимента потребительской корзины и будет тем самым критическим уровнем дохода, начиная с превышения которого для потребителя станет возможным приобретение нового более современного, но и более дорогого товара.

Однако все три перечисленных критических барьера являются обязательными, но вовсе не единственными условиями формированиями спроса. Помимо этого на формирование потребления будут оказывать влияние ещё два фактора, влияющие в первую очередь на непосредственного потребителя, не учтённые в этой модели. В первую очередь это — риск. Приобретая товар, потребитель рискует. Он не знает наверняка, какую степень удовлетворения получит.

Любое изменение в собственном поведении порождает для потребителя своего рода неопределённость, которая связана с риском снизить существующую полезность потребления и за большие или, в лучшем случае, те же самые деньги получить меньшую полезность от потребления товара, нежели от потребления старого. Но без изменений и сопутствующего им риска невозможно и повысить полезность своего потребления, а соответственно, без риска невозможно себе представить рост разнообразия и потребления. [18, с. 12]

Скорость совокупного преодоления всех пяти барьеров: критического уровня человеческого капитала, критического уровня дохода, критической пригодности, критического уровня риска и свободного времени — будет характеризовать время, необходимое для внедрения товара на рынок и начала формирования роста продаж. Следовательно, эти барьеры характеризуют временной промежуток с момента поступления товара в продажу до начала роста продаж.

 

Краткие выводы

 

Итак, в FMCG начался этап новых, математических подходов к моделированию и прогнозированию потребления на основе анализа данных, а также организации более «тонких» и продуманных взаимоотношений с клиентом. Эксперты считают, что пришло время data-ориентированного бизнеса, в котором все решения принимаются на основе всестороннего анализа и прогнозирования.

Выявлять факторы, влияющие на спрос и реализацию товаров, прогнозировать основные сценарии развития бизнеса в FMCG помогают технологии BI (бизнес-анализа), Big Data (анализа больших данных) и предиктивной (прогнозной) аналитики.

В условиях постоянно меняющихся трендов на рынке для производителей массовых товаров важно непрерывно вести мониторинг спроса. Это позволит вовремя сократить производство и запасы непопулярных товаров, переключить внимание на востребованные на рынке продукты, найти незанятые и перспективные ниши. Отчетная аналитика пост-фактум, которая главным образом использовалась до сих пор, уже не дает возможности оперативного управления в режиме реального времени. Стандартная отчетность не всегда позволяет формировать адекватные прогнозы и сценарии предстоящих событий, планировать управленческие решения – данные слишком быстро устаревают, поэтому их анализ должен происходить уже «на лету».

Многофакторный анализ помогает производителю широкого спектра товаров оптимизировать продуктовую линейку. К примеру, для того, чтобы скорректировать продуктовую матрицу, необходимо правильно определить «кандидатов на вылет» — не только на основании отчетов о продажах, но и учесть целый ряд показателей: динамику продаж в зависимости от сезона, маржинальность отдельных продуктов, объем издержек, связанных с поставками, логистикой и хранением и т.д. Помимо этого, необходимо учесть и локальные географические особенности – товар может совершенно по-разному продаваться в различных регионах страны. Здесь потребуется анализ разнородности спроса по отдельным товарам и товарным группам, учет покупательской способности населения региона, демографических характеристик и т.д.

Но и это еще не все. Важно проанализировать, к примеру, не упадут ли продажи сопутствующих товаров, спрос на которые зависит от продаж товара-«неудачника».

Фактически FMCG-компаниям приходится ежедневно решать серьезные аналитические задачи, требующие оперативного и всестороннего анализа всего массива имеющихся данных.