Omslag i vädret Vad händer i butikerna? Robert Fredholm, RELEX Solutions
Introduktion Hur kan vi utnyttja väderdata till bättre prognoser? Förstå hur vädret påverkar försäljningen Basera prognos på analys och fakta istället för magkänsla Metoder för att utnyttja väderdata
Agenda Analys av vädereffekter Hur kan man använda väderdata?
En analys från dagligvaruhandeln Målet Att analysera hur väder påverkar konsumenternas köpbeteende i dagligvaruhandeln och hur effekterna kan användas till bättre prognoser och varupåfyllning Verklig kunddata användes i förstudien 20-tal butiker i olika regioner Omfattade alla färska produktgrupper samt glass och dryck Försäljningsdata från 2009 och framåt kombinerat med lokala väderobservationsdata
Vädrets inverkan verkar vara en komplex värld "Det är ett nollsummespel. När folk handlar en vacker dag, bunkrar de också upp för andra dagar. Vädret kan därmed bara förskjuta tidpunkten för efterfrågan. När folk köper produkter kopplade till varmt väder, spenderar de mindre på andra produkter. Beteendet till följd av vädret kan skilja sig beroende på dag i veckan; långvarigt bra väder trubbar av konsumenterna ju fler vackra dagar i följd, desto mindre känner människor för att agera. Större butiker tenderar att känna effekten av en varm helg mer, jämfört med mindre butiker, eftersom folk ska bunkra upp inför helgens stora grillfest."
men låt oss göra det enkelt: väder påverkar kundernas köpbeteende i två olika komponenter Vad som påverkas och hur mycket? I II Inverkan på total kundtrafik Inverkan på konsumeringsmönster Total försäljning på butiksnivå Störst effekt under sommaren, nästan ingen effekt på vintern Försäljningsmönster på produkt eller produktgrupp Både bra och dåligt väder ger effekt på upp till ca ±10% däremot, det kan skilja sig mellan butiker Spektrum av olika effekter. Effekten ofta osymmetrisk. Ex. glass +50% en vacker dag och -20% under sämre väder
I Betydande skillnader mellan butikerna, men stor inverkan under sommaren % av efterfrågevariation förklarat av väder-regressionsmodell Spring Summer Autumn Winter Store 1 49 % 12 % 17 % 1 % Store 2 23 % 49 % 9 % 1 % Store 3 44 % 45 % 22 % 2 % Store 4 43 % 12 % 1 % 3 % Store 5 41 % 29 % 15 % 3 % Store 6 19 % 40 % 18 % 1 % Store 7 26 % 37 % Store 8 34 % 12 % 11 % 0 % Store 9 34 % 32 % 8 % 1 % Store 10 30 % 21 % 8 % 4 % Store 11 5 % 27 % 0 % 4 % Store 12 19 % 26 % 5 % 1 % Store 13 16 % 26 % 2 % 4 % Store 14 25 % 9 % 8 % 1 % Store 15 25 % 12 % 5 % 4 % Store 16 18 % 14 % 4 % 5 % Store 17 18 % 8 % 0 % 5 % Store 18 17 % 10 % 2 % 14 % Store 19 17 % 12 % 4 % 3 % Spring Summer Autumn Winter Store 20 16 % 9 % 5 % 8 % Store 21 14 % 9 % 4 % 5 % Store 22 14 % 13 % 4 % 1 % Store 23 9 % 12 % 4 % 4 % Store 24 10 % 12 % 4 % 2 % Store 25 8 % 9 % 5 % 3 % Store 26 9 % 9 % 6 % 4 % Store 27 8 % 4 % 1 % 6 % Store 28 7 % 3 % 2 % 2 % Store 29 4 % 7 % 0 % 5 % Store 30 5 % 7 % 2 % 5 % Store 31 2 % 6 % 1 % 6 % Store 32 3 % 5 % 7 % 5 % Store 33 4 % 5 % 1 % 1 % Store 34 1 % 4 % 3 % 3 % Store 35 0 % 4 % 2 % 1 % Store 36 3 % 3 % 3 % 1 % Store 37 1 % 1 % 3 % 9 % Store 38 1 % 0 % 3 % 1 % Spring = mars-maj, Summer = juli-augusti, Autumn = september-november, Winter = december-februari
I Exempel: Påverkan på total försäljning i butik 2 under sommaren Sales index Weekday corrected sales index Temperature Estimated sales lift Temperature (C) 180 160 140 120 100 80 60 40 20 0 +20% +15% 2013-06-03 2013-06-17 2013-07-01 2013-07-15 2013-07-29 25 20 15 10 5
I Stor påverkan på väderkänsliga produktgrupper Glass (Butik 2) Läsk (Butik 2) Sales index Temperature (C) Sales index Temperature (C) 160 25 180 25 140 160 120 20 140 20 100 +35% 80 60 +50% 15 120 100 +23% 80 60 +57% 15 40 10 40 10 20 20 0 5 0 5 2013-06-03 2013-06-17 2013-07-01 2013-07-15 2013-07-29 2013-06-03 2013-06-17 2013-07-01 2013-07-15 2013-07-29 Weekday corrected sales index Temperature Estimated sales lift
II På kedjenivå syns däremot ingen större påverkan per de flesta produktgrupper % av efterfrågevariation förklarat av väder-regressionsmodell för alla butiker Kevät Kesä Syksy Talvi Hedelmät ja vihannekset 4 % 6 % 3 % 10 % Juomat 28 % 37 % 11 % 7 % Keskiolut 14 % 15 % 5 % 4 % Leipä ja kahvi 3 % 7 % 3 % 7 % Liha ja kala 4 % 5 % 3 % 6 % Lihajalosteet 10 % 7 % 3 % 7 % Maitotaloustuotteet 3 % 7 % 4 % 5 % Pakasteet ja jäätelöt 50 % 26 % 11 % 4 % Även för väderkänsliga produkter påvisas endast tydlig effekt under vår och sommar
II betydande potential finns för färskvaror på väderkänsliga butiker % av efterfrågevariation förklarat av väder-regressionsmodell för valda butiker
Analys från dagligvaruhandeln Sammanfattning av analysen 1. Försäljningsmönster kopplade till väder går att identifiera 2. Skillnader i påverkan mellan produkter och butiker Viktigt med fakta; att förstå vilka butiker och produktgrupper att klassificera som väderkänsliga istället för att gå på magkänsla 3. Asymmetriska effekter att utnyttja i varupåfyllnigen
Agenda Analys av vädereffekter Hur kan man använda väderdata?
Olika möjligheter i olika situationer Badringar Bygg butik inför säsongen Lika bra att bunkra upp för den första efterfrågetoppen istället för att vänta på den första soliga helgen Glass Kort ledtid till butik, bra hållbarhet, men begränsat med fryskapacitet i butikerna Tvätta prognos (för att inte överskrida kapaciteten vid sämre väder) Höj prognos inför omslag i vädret Grillbiff Kort hållbarhet och stor inverkan av vädereffekter Tvätta prognos Använder sig framåt av väderprognos varm helg
Utvecklingspotentialen kan hämtas hem i tre steg Steg 1: Importera väderdata Steg 2: Identifiera väderkänslighet automatiskt Steg 3: Utnyttja väderprognoser i säljprognoser Importera tidigare väder observationer och väderprognoser som butiksnivådata till RELEX (eller annat planerings- och påfyllningssystem) Möjliggör användandet av väder information som bas för planering och manuell justering vid behov, ex jämför förra säsongen med kommande Använd automatiska statistiska tester för att identifiera väderkänsliga produkter och produktgrupper över butikerna Synliggör produkter med störst väderkänslighet för planerare att lägga fokus på med möjlighet att klassificera och justera prognos manuellt Använd automatiska prognosmodeller som tar hänsyn till väderprognoser Möjliggör planering genom automatisk väderdata i prognoser. I de flesta fall är det dock fortfarande viktigt att manuellt granska prognoser (men inget behov för manuell justering)
Kundexempel med importerad väderdata Steg 1: Importera väderdata Produktgrupp: Hamburgare och Grillbiffar Importerat väderdata i RELEX för att Skapa event mot tidigare väderdriven försäljning Tvättar prognosen via försäljningshistorik och event Använder sig av klassificering: Varm helg (medel, hög)
Kundexempel med importerad väderdata Steg 1: Importera väderdata Prognos före väderinformation aktiv i RELEX Resultat med event och tvättad försäljningsprognos
Exempel från dagligvaruhandelskund Steg 2: Steg 1: Under våren genomförs en enkel modell för att ta hänsyn till väderprognoser i påfyll Delar in butikerna i 4 regioner Klassificera förändringar i väderleken Bygger upp event kopplade till förändringstyperna (som kampanjer) Väderkänsliga produkter får förslag om förhöjt säkerhetslager Identifiera Importera väderkänslighet väderdata automatiskt
Exempel från dagligvaruhandelskund Steg 2: Steg 1: Illustration på hur Glass (Ice creams) prognos justeras manuellt Identifiera Importera väderkänslighet väderdata automatiskt
Process för att jämföra och kontrollera väderkänsliga prognoser Granska väderkänsliga produkter och produktgrupper som identifierats av automatiska statistiska tester Steg 2: Steg Steg 3: Utnyttja 1: Identifiera väderprognoser Importera väderkänslighet i säljprognoser väderdata automatiskt och jämför olika prognosresultat ställda mot varandra
Sammanfattning Olika möjligheter i olika branscher och för olika produkter beroende på hur kostnadsstrukturen ser ut I vissa fall enklast och effektivast att bara bunkra upp på förhand I andra fall har vi sett exempel på där det är väl värt besväret att försöka följa efterfrågan mera noggrant Väderdata i prognoser behöver inte vara rocket science De första stegen kan och bör vara manuella Exempelvis: Flagga upp avvikande väder som event för att tvätta prognoser och registrera vädereffekterna för kommande bruk Identifiera produkter och produktgrupper som är väderkänsliga Viktigt att förstå varifrån prognoserna kommer så att det inte blir en black box
Frågor?
Bilaga: Regressionsmodell i analys At the end of the day, best results achieved with relatively simple and intuitive regression model Two principal variables used to explain demand: temperature and rainfall Temperature impact additionally corrected by comparing forecasted temperature to the moving average of the past one month temperatures -> Captures the initial excitement of good weather Note: effect relatively same across time of the year and weekdays, relative temperature increase seems to matter the most Model could be used both in identifying weather sensitive products, and in sales forecasting (with some adaptations) Detailed model: y i t r t ( 0 1 i 2 i 3 i 30d t ) yi sales, ti forecasted temperature, ri forecasted rain, t 30 d moving average for past one month temperature