МНОГОФАКТОРНЫЙ РЕГРЕССИОННЫЙ АНАЛИЗ И ПРОГНОЗИРОВАНИЕ РОЗНИЧНЫХ ПРОДАЖ ТОВАРОВ FMCG В ОФФЛАЙН МАГАЗИНАХ C ИСПОЛЬЗОВАНИЕМ POS ДАННЫХ

Аннотация

В современном ритейле ввиду высокой конкуренции среди товаров FMCG компании-производители и поставщики используют разнообразные способы продвижения своих товаров. Параллельно уровень технологии сбора и хранения данных позволяет накапливать данные о товарах в точках продаж по широкому наименованию метрик, включая те, которые отражают усилия продавцов по увеличению продаж и результаты этих усилий. Каждая розничная точка становится источником бесценных POS данных. Использование POS данных пока не стало повсеместной практикой, однако интерес к этому источнику постоянно растет. В статье обсуждается использование POS данных для оценки уровня влияния конкретных факторов на продажи товаров FMCG в розничных точках. Проводится регрессионный анализ, используя в качестве факторных признаков такие POS данные, как полочная цена товара, суммарная дистрибьюция, доля полки, доступность товара, уровень товарного запаса. Полученные уравнения регрессии анализируются с точки зрения их экономического смысла и практического применения. Делается вывод о том, что на определенном этапе развития продуктовой линейки или бренда компании-производителю следует сосредоточиться на том конкретном виде продвижения, высокий уровень влияния которого становится очевиден из уравнения регрессии. Это способствует распространению практики принятия решений на основе данных и способствует росту эффективности бизнес-процессов. Также обсуждается возможность применения регрессионного анализа с использованием POS данных в качестве факторных признаков для прогнозирования продаж, поскольку цена и уровень представленности в магазине во многом определяют уровень спроса на товары FMCG, и, значит, будут хорошими предикторами для прогноза.

Ключевые слова: корреляционный анализ, прогнозирование продаж, регрессионный анализ,        розничная торговля, товары массового потребления, POS данные

Библиография

• Котлер Ф. 300 ключевых вопросов маркетинга: отвечает Филип Котлер. М.: Олимп-Бизнес, 2006. 198 с.
• Доброхотов А.В., Волынский В.Ю. Современное состояние методологии прогнозирования объемов продаж готовой продукции // Сборник научных трудов вузов России "Проблемы экономики, финансов и управления производством". 2010. № 29. С. 192-201.
• Шанин И.И., Атаэкгаев Ы.Б. Методы прогнозирования объемов продаж продукции // Международный студенческий научный вестник. 2018. № 2. С. 45.
• Армстронг Дж.С. Прогнозирование продаж. Маркетинг. СПб.: Питер, 2002. С. 351-368.
• Мхитарян С.В., Данченок Л.А. Прогнозирование продаж с помощью адаптивных статистических методов // Фундаментальные исследования. 2014. № 9-4. С. 818-822.
• Юшин А.А. Прогнозирование продаж мебельной продукции // Вестник Поволжского государственного университета сервиса. Серия: Экономика. 2015. № 1(39). С. 148-155.
• Карлов А.М., Невротов Л.К. Использование метода корреляционно-регресионного анализа при прогнозировании объема продаж на примере пищевой промышленности региона // Балтийский экономический журнал.    № 2(26). С. 100-107.
• Ребенок И.И., Малыхина М.П. Методы интеллектуального анализа и прогнозирования данных стационарной розничной торговой сети // Современные проблемы науки и образования. 2014. № 3. С. 151.
• Mou S., Davia D.R., Nicole D. Retail Store Operations: Literature Review and Research Directions // European Journal of Operational Research. 2017. Vol. 265(2). Pp.399-422. (На англ.). DOI: 10.1016/j.ejor.2017.07.003
• Sajawal M., Usman S., Sanad A.H., Hayat A., Ashraf M.U. A Predictive Analysis of Retail Sales Forecasting using Machine Learning Techniques // Lahore Garrison University Research Journal of Computer Science and Information Technology. 2022. Vol. 6(04). Pp. 33-45. (На англ.). DOI: 10.54692/lgurjcsit.2022.0604399
• Jain A., Menon M.N., Chandra S. Sales Forecasting for Retail Chains // San Diego, California: UC San Diego Jacobs School of Engineering. (На англ.).
• Odegua R. Applied Machine Learning for Supermarket Sales prediction //Project: Predictive Machine Learning in Industry. (На англ.).
• Anna-Lena B., Stefan M. Safety Stock Planning under Causal Demand Forecasting // International Journal of Production Economics. 2012. Vol. 140(2). Pp. 637-645. (На англ.). DOI: 10.1016/j.ijpe.2011.04.017
• Paul F., Neil B., Phillip E.P., David J.R. Marketing Metrics the Manager’s Guide to Measuring Marketing Performance. Third edition. Publisher: Pearson, 2016. 427 p. (На англ.).
• Питер Б., Эндрю Б., Питер Г. Практическая статистика для специалистов Data Science. СПб: БХВ-Петербург, 2021. 352 с.
• Эндрю Г., Дженнифер Х., Аки В. Регрессия: теория и практика. C примерами на R и Stan. М.: ДМК-Пресс, 2022. 748 с.

Информация об авторе 

Юлия Вячеславовна Напольская – бизнес-аналитик, Проктер энд Гэмбл, Москва, Россия. E-mail: jnapolskaya@gmail.com. SPIN РИНЦ 8536-2940. ORCID 0009-0009-6072-4581. Researcher ID KTI-2986-2024

Для цитирования: Напольская Ю.В. Многофакторный регрессионный анализ и прогнозирование розничных продаж товаров FMCG в оффлайн магазинах c использованием POS данных // BENEFICIUM. 2024. № 4(53). С. 49-57. DOI: 10.34680/BENEFICIUM.2024.4(53).49-57