Как маркетплейсы отражают изменения спроса на ежедневные категории еды
Цифровые каналы становятся одним из ключевых индикаторов того, как меняется регулярное потребление. Тренды, которые в офлайне видны спустя месяцы, на маркетплейсах проявляются практически сразу.
Вот что происходит на площадках по данным сервиса аналитики Sellmonitor:
❤️ На Wildberries одновременно растут продажи и ассортимент: покупатели всё чаще включают регулярные закупки еды в онлайн-поведение.
❤️ На Ozon растёт число продавцов, сам ассортимент становится компактнее: площадка удерживает только те SKU, которые дают спрос.
Оба тренда говорят о том, что закупка еды в e-commerce становится устойчивой частью поведения покупателей.
Рост фиксируется в ключевых группах повседневного спроса:
❤️ кофе;
❤️ конфеты и сладости;
❤️ готовые десерты;
❤️ мясо растительное;
❤️ икра;
❤️ фрукты сублимированные;
❤️ торты.
Подробные данные смотрите в карточках❤️
❤️ Регулярный мониторинг данных по маркетплейсам становится необходимым инструментом планирования — от объёмов и графиков производства до упаковки, логистики и разработки новых SKU. Онлайн-канал формирует собственную логику спроса, и учитывать её нужно уже сейчас.
Цифровые каналы становятся одним из ключевых индикаторов того, как меняется регулярное потребление. Тренды, которые в офлайне видны спустя месяцы, на маркетплейсах проявляются практически сразу.
Вот что происходит на площадках по данным сервиса аналитики Sellmonitor:
Оба тренда говорят о том, что закупка еды в e-commerce становится устойчивой частью поведения покупателей.
Рост фиксируется в ключевых группах повседневного спроса:
Подробные данные смотрите в карточках
Please open Telegram to view this post
VIEW IN TELEGRAM
👍11❤3🔥3
Когда ИИ окупается: как пекарня Esco ускорила заказы в 4 раза и взяла финансы под контроль
В пекарне Esco ежедневно обрабатывают до 100 заказов от розничных партнёров. Заказы поступают в виде сообщений или заполненных листов, и их необходимо корректно перенести в систему учёта, чтобы запустить производство и подготовить отгрузку.
Этот участок долгое время делался вручную. Менеджер проверял заявки, переносил позиции и количества, перепроверял данные и только после этого передавал заказы в работу. В среднем на обработку уходило около двух часов в день. При таком объёме любая ошибка в цифрах сразу отражалась на производстве и логистике.
Задача была простой и прикладной: сократить время обработки заказов и исключить ошибки при вводе данных.
В Esco связали CRM, нейросеть и 1С. Клиенты отправляют заявки в чат (текстом или фотографией). Нейросеть распознаёт заказ, структурирует данные и формирует файл для загрузки в систему. Менеджер загружает файл в 1С, дальше система сама создаёт заказы и передаёт их в производство.
Эффект оказался измеримым и быстрым:
❤️ Время обработки заказов сократилось в 4 раза: с двух часов до примерно 30 минут.
❤️ Точность дошла до 100%, потому что ручной ввод исчез полностью.
❤️ Уже через полчаса после приёма заявок пекарня видит точную потребность на следующий день.
Дополнительно был оптимизирован документооборот: автонумерация, сопоставление номенклатуры поставщиков, единая логика документов. Контроль задолженностей стал визуально явным: система подсвечивает риски ещё до запуска заказа в производство.
❤️ В итоге ИИ в Esco оказался инструментом, который окупается за счёт конкретных эффектов: скорости, точности и финансовой прозрачности. Люди перестали тратить время на рутину, производство синхронизировалось с реальными продажами, а управленческие решения начали опираться на факты, а не на догадки.
ИИ действительно начинает работать на бизнес: когда он встроен в процесс, снимает узкие места и даёт измеримый результат, а не просто добавляет ещё один модный слой автоматизации.
В пекарне Esco ежедневно обрабатывают до 100 заказов от розничных партнёров. Заказы поступают в виде сообщений или заполненных листов, и их необходимо корректно перенести в систему учёта, чтобы запустить производство и подготовить отгрузку.
Этот участок долгое время делался вручную. Менеджер проверял заявки, переносил позиции и количества, перепроверял данные и только после этого передавал заказы в работу. В среднем на обработку уходило около двух часов в день. При таком объёме любая ошибка в цифрах сразу отражалась на производстве и логистике.
Задача была простой и прикладной: сократить время обработки заказов и исключить ошибки при вводе данных.
«Я давно думал, как избавиться от бумажной волокиты, но не знал, с чего начать. Однажды наткнулся на видео, где показывали, как цветочные магазины принимают заказы через CRM, и нейросеть формирует накладную в 1С. Мне стало интересно, можно ли также сделать у нас. Нашел программиста по CRM, вместе продумали логику, обратился к команде „Форуса“, и мы реализовали все в 1С под наши задачи», — рассказывает Жамшид Беркинов, управляющий пекарней «Esco».
В Esco связали CRM, нейросеть и 1С. Клиенты отправляют заявки в чат (текстом или фотографией). Нейросеть распознаёт заказ, структурирует данные и формирует файл для загрузки в систему. Менеджер загружает файл в 1С, дальше система сама создаёт заказы и передаёт их в производство.
Эффект оказался измеримым и быстрым:
Дополнительно был оптимизирован документооборот: автонумерация, сопоставление номенклатуры поставщиков, единая логика документов. Контроль задолженностей стал визуально явным: система подсвечивает риски ещё до запуска заказа в производство.
ИИ действительно начинает работать на бизнес: когда он встроен в процесс, снимает узкие места и даёт измеримый результат, а не просто добавляет ещё один модный слой автоматизации.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥10👍4❤3
Мифы и ошибки MDM: почему проекты буксуют
В одной производственной компании команда попыталась «загрузить в систему всё сразу»: десятки справочников, разные источники, дубли без разбора. В итоге данные конфликтовали, система работала нестабильно. И только после каталогизации и поэтапного ввода данных проект стал управляемым.
❤️ По наблюдениям экспертов Axenix, у большинства MDM-инициатив встречаются повторяющиеся ошибки:
Ошибка №1. Фокус на информационную систему, а не на методологию и процессы конкретного бизнеса
Информационная система сама по себе не управляет данными, данными управляет бизнес. При этом он применяет утвержденную методологию управления, выстроенные процессы и информационную систему как инструмент.
Ошибка №2. Принижение функции change-management
Внедрение MDM меняет привычную работу сотрудников, так как это большие организационные и культурные изменения. Новые практики и процессы управления данными принимаются как дополнительная работа исполнителями. Результат — сопротивление, ошибки и откат к Excel, поэтому важно правильно выстроить коммуникацию, приземлить цели и учитывать обратную связь от пользователей.
Ошибка №3. Не определены приоритеты
Когда компания пытается ввести все данные одновременно и сразу — хаос обеспечен. Правильный путь — определение приоритетов: какие данные для компании являются критическими и важными с точки зрения получения бизнес-результата. Необходимо также пилотировать нововведения на ограниченном объеме для получения максимального эффекта.
❤️ Axenix подчёркивает: поэтапность — ключевой фактор успеха.
Кроме ошибок внедрению часто мешают мифы:
Миф №1. MDM нужен только крупным компаниям
На самом деле даже средний бизнес выигрывает. Закупки, сравнение предложений поставщиков, управление ассортиментом, контроль условий упрощаются. Чистые данные — это конкурентное преимущество в любой компании.
Миф №2. MDM — это долго и дорого
Это правда только тогда, когда непонятно, что именно нужно менять. Предпроектное обследование, которое Axenix делает первым шагом, как раз позволяет сформировать цели, определить зоны риска и построить реалистичную дорожную карту.
Миф №3. «Купим систему — данные сами станут чистыми»
В реальности до 50% проекта — методология, распределение ролей и ответственность. Инструмент лишь автоматизирует уже выстроенные практики; он не создаёт порядок из хаоса.
Если вам интересны реальные кейсы внедрения MDM, ставьте 🔥 или напишите в комментариях, что именно вы хотите узнать об MDM от практиков.
В одной производственной компании команда попыталась «загрузить в систему всё сразу»: десятки справочников, разные источники, дубли без разбора. В итоге данные конфликтовали, система работала нестабильно. И только после каталогизации и поэтапного ввода данных проект стал управляемым.
Ошибка №1. Фокус на информационную систему, а не на методологию и процессы конкретного бизнеса
Информационная система сама по себе не управляет данными, данными управляет бизнес. При этом он применяет утвержденную методологию управления, выстроенные процессы и информационную систему как инструмент.
Ошибка №2. Принижение функции change-management
Внедрение MDM меняет привычную работу сотрудников, так как это большие организационные и культурные изменения. Новые практики и процессы управления данными принимаются как дополнительная работа исполнителями. Результат — сопротивление, ошибки и откат к Excel, поэтому важно правильно выстроить коммуникацию, приземлить цели и учитывать обратную связь от пользователей.
Ошибка №3. Не определены приоритеты
Когда компания пытается ввести все данные одновременно и сразу — хаос обеспечен. Правильный путь — определение приоритетов: какие данные для компании являются критическими и важными с точки зрения получения бизнес-результата. Необходимо также пилотировать нововведения на ограниченном объеме для получения максимального эффекта.
Кроме ошибок внедрению часто мешают мифы:
Миф №1. MDM нужен только крупным компаниям
На самом деле даже средний бизнес выигрывает. Закупки, сравнение предложений поставщиков, управление ассортиментом, контроль условий упрощаются. Чистые данные — это конкурентное преимущество в любой компании.
Миф №2. MDM — это долго и дорого
Это правда только тогда, когда непонятно, что именно нужно менять. Предпроектное обследование, которое Axenix делает первым шагом, как раз позволяет сформировать цели, определить зоны риска и построить реалистичную дорожную карту.
Миф №3. «Купим систему — данные сами станут чистыми»
В реальности до 50% проекта — методология, распределение ролей и ответственность. Инструмент лишь автоматизирует уже выстроенные практики; он не создаёт порядок из хаоса.
Если вам интересны реальные кейсы внедрения MDM, ставьте 🔥 или напишите в комментариях, что именно вы хотите узнать об MDM от практиков.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥11👍4❤3
Ручное планирование больше не масштабируется: как MCS Coca-Cola в Монголии выстроила управляемость за 6 месяцев
MCS Coca-Cola работает в Монголии с 2002 года и входит в крупнейший холдинг страны — MCS Group. Когда компания дошла до 140 видов продукции, 9 брендов, около 860 сотрудников и тысячи заказов ежедневно, стало понятно, что при таком масштабе бизнесу уже недостаточно просто «учитывать». Нужно управлять производством, запасами и финансами в режиме реального времени.
До старта проекта многие ключевые процессы держались на ручной работе и разрозненных системах. Планирование производства, контроль остатков, расчёт себестоимости и управленческая отчетность велись в Excel и отдельных учетных решениях. Информация из подразделений собиралась с задержкой, уровень детализации был недостаточным, а оперативных данных для управления не хватало.
В результате управление начинало давать сбои:
❤️ подразделения работали в разных системах, данные не сходились между собой;
❤️ торговые представители могли размещать заказы на отсутствующие позиции;
❤️ планирование производства не успевало за реальным спросом;
❤️ расчет плановой и фактической себестоимости требовал значительных ручных усилий;
❤️ управленческая отчетность формировалась долго и не отражала реальную картину «здесь и сейчас».
По мере роста оборотов стало очевидно: без единого контура данных бизнес теряет управляемость.
❤️ Компания приняла решение выстроить единую информационную систему и внедрила «1С:ERP Управление предприятием 2.4» для оперативного учета и «1С:Бухгалтерию КОРП 3.0» для регламентированного и международного учета. Проект стал первым внедрением 1С:ERP в Монголии и был реализован в рекордные сроки — 6 месяцев, без остановки производства.
В единой системе были объединены:
❤️ управленческий и регламентированный учет;
❤️ производство, ремонты оборудования и контроль качества;
❤️ склад, закупки, продажи и доставку;
❤️ финансы и казначейство;
❤️ обмен с системой торговых представителей.
Фактически компания перешла к работе в одном информационном пространстве: все заказы, остатки, платежи, движение ТМЦ и финансовые показатели стали доступны онлайн и в актуальном виде. Система автоматически учитывает производственные мощности, сезонные пики, минимальные партии, ремонты оборудования и фактическое выполнение планов.
Результаты внедрения в цифрах смотрите в карточках выше⬆️ , полный кейс читайте по ссылке.
Руководство получило прозрачную картину бизнеса: от загрузки линий и остатков на складе до реальной экономики производства и взаиморасчетов с клиентами. Подразделения перестали дублировать операции, а сотрудники — тратить время на ручную сверку данных.
Так в крупном пищевом производстве появляется управляемость: когда данные собраны в одном контуре, решения принимаются по данным и бизнес может расти без потери контроля.
MCS Coca-Cola работает в Монголии с 2002 года и входит в крупнейший холдинг страны — MCS Group. Когда компания дошла до 140 видов продукции, 9 брендов, около 860 сотрудников и тысячи заказов ежедневно, стало понятно, что при таком масштабе бизнесу уже недостаточно просто «учитывать». Нужно управлять производством, запасами и финансами в режиме реального времени.
До старта проекта многие ключевые процессы держались на ручной работе и разрозненных системах. Планирование производства, контроль остатков, расчёт себестоимости и управленческая отчетность велись в Excel и отдельных учетных решениях. Информация из подразделений собиралась с задержкой, уровень детализации был недостаточным, а оперативных данных для управления не хватало.
В результате управление начинало давать сбои:
По мере роста оборотов стало очевидно: без единого контура данных бизнес теряет управляемость.
В единой системе были объединены:
Фактически компания перешла к работе в одном информационном пространстве: все заказы, остатки, платежи, движение ТМЦ и финансовые показатели стали доступны онлайн и в актуальном виде. Система автоматически учитывает производственные мощности, сезонные пики, минимальные партии, ремонты оборудования и фактическое выполнение планов.
Результаты внедрения в цифрах смотрите в карточках выше
Руководство получило прозрачную картину бизнеса: от загрузки линий и остатков на складе до реальной экономики производства и взаиморасчетов с клиентами. Подразделения перестали дублировать операции, а сотрудники — тратить время на ручную сверку данных.
Так в крупном пищевом производстве появляется управляемость: когда данные собраны в одном контуре, решения принимаются по данным и бизнес может расти без потери контроля.
Please open Telegram to view this post
VIEW IN TELEGRAM
👍10❤4🔥3🤔1
Что отличает лидеров MES-внедрений? Собираем отраслевые практики
Производственные компании внедряют MES, ожидая прозрачности, управляемости и снижения издержек. Однако на практике данные из цеха далеко не всегда превращаются в решения на уровне CEO и COO. Часть показателей используется точечно, часть игнорируется, и MES может восприниматься управленцами, как «черный ящик».
❤️ Чтобы понять, какие MES-данные действительно дают управленческую ценность и где компании теряют эффект, CEO Lab совместно с компанией «Константа» запускает отраслевое исследование. Приглашаем на интервью пищевые и FMCG-компании, которые внедрили MES или находятся на этом пути.
Изучаем, какие данные помогают влиять на себестоимость, сроки и производительность, какие остаются «цифровым шумом» и какие практики работают у лидеров рынка.
❤️ Все участники исследования получат обобщённый отчёт по рынку без раскрытия данных компаний, сравнение с предприятиями сопоставимого масштаба, карту возможных точек роста и анализ метрик и дашбордов, которые используют сильные производственные команды.
30–40 минут интервью онлайн или офлайн. Вопросы направляем заранее. Участие бесплатное и конфиденциальное.
❤️ Если хотите принять участие и получить итоговый аналитический отчёт, напишите @KVSNick слово
Производственные компании внедряют MES, ожидая прозрачности, управляемости и снижения издержек. Однако на практике данные из цеха далеко не всегда превращаются в решения на уровне CEO и COO. Часть показателей используется точечно, часть игнорируется, и MES может восприниматься управленцами, как «черный ящик».
Изучаем, какие данные помогают влиять на себестоимость, сроки и производительность, какие остаются «цифровым шумом» и какие практики работают у лидеров рынка.
30–40 минут интервью онлайн или офлайн. Вопросы направляем заранее. Участие бесплатное и конфиденциальное.
Интервью (нажмите, чтобы скопировать)Please open Telegram to view this post
VIEW IN TELEGRAM
👍9❤3🔥3
Какие данные вашего производства сегодня наиболее важны для управления?
Anonymous Poll
50%
Выпуск полуфабрикатов/готовой продукции (натуральные показатели, факт/план)
13%
Простой оборудования (длительность, причины)
6%
Брак (натуральные показатели, %)
31%
Себестоимость по прямым переменным затратам (всего, по сменам, по линиям)
Каких производственных данных вам не хватает для управления предприятием?
Anonymous Poll
25%
Прогноз выполнения производственных планов
31%
Загрузка и эффективность использования оборудования
13%
Прямая себестоимость
6%
Объем незавершенного производства и запасов
6%
Обеспеченность производственных заказов материалами и мощностями
19%
Как повлияет на предприятие увеличение или уменьшение производственного плана
Где вы видите основной разрыв между цехом и управлением?
Anonymous Poll
35%
Данных нет (Отсутствие автоматизации)
35%
Данные есть, но это не помогает нам улучшить ситуацию
12%
Данные есть, но мы получаем их поздно
18%
Данных слишком много, в них сложно разобраться
Насколько ваша MES-система полезна для принятия управленческих решений?
Anonymous Poll
13%
У нас замечательная MES (ведет учет, планирует производство) — надо чуть поправить планы и готово
38%
Наша MES ведет учет, но планируем мы сами
13%
Наша MES все учитывает, но мы хотим умных «подсказок» по принятию решений
38%
Зачем MES? Лучшая MES — это эксель.
Кейс лидера в производстве масложировой продукции:
Как повысить точность прогноза промо-продаж до 86% и сделать планирование управляемым
Когда доля промо на FMCG-рынке перешла за 50%, компания столкнулась с проблемой, знакомой практически каждому крупному производителю – низкой точностью прогноза промо-продаж (50-60%). И с сопутствующими такому прогнозу потерями: перепроизводство, недопроизводство, проблемы с остаточными сроками годности.
❤️ Проблема качества прогнозирования оказалась системной:
❤️ Компания опиралась только на свои исторические данные — фактически «смотрела через замочную скважину»;
❤️ на полке условия менялись постоянно: глубина скидок конкурентов, количество SKU, динамика цен;
❤️ добавлялись региональные различия и особенности конкретных сетей;
❤️ на спрос влияли «жёлтые ценники», механики промо и пересечения акций сразу по нескольким позициям.
Эти факторы формировали поведение покупателя сильнее, чем любые прошлые продажи. Компания приняла решение полностью перестроить подход:
❤️ Перешли от «одномерного» прогноза к многопараметрической модели.
Компания совместно с компанией GMCS разработала модель, которая учитывает 50–70 предикторов:
❤️ регулярную и промо-цену,
❤️ глубину скидок самой компании и конкурентов,
❤️ дистрибуцию,
❤️ географию и формат сети,
❤️ параметры самой акции (механика, периодичность, длительность),
❤️ поведение покупателей по дням промо,
❤️ конкурентные пересечения в конкретной категории и даже на конкретной полке
❤️ Провели глубокий анализ факторов, влияющих на спрос.
На этапе гипотез команда проверила:
❤️ какие скидки реально поднимают продажи, а какие нет,
❤️ как промо-эффект отличается по регионам,
❤️ как распределяются продажи по дням акции,
❤️ почему одни SKU реагируют кратным ростом, а другие — слабее (например, когда на полке одновременно идут несколько промо по категории).
Эти зависимости легли в основу будущей модели.
❤️ Перестроили саму механику прогнозирования.
Модель строилась итеративно по методологии CRISP-DM:
гипотезы❤️ анализ данных ❤️ моделирование ❤️ оценка качества ❤️ внедрение.
Компания использовала ансамблевые методы (XGBoost, случайный лес, цепи Маркова) и SPSS Modeler, чтобы уловить нелинейные зависимости в промо-эффекте и влияние SKU друг на друга
❤️ Создали архитектуру, позволяющую прогнозировать на 6 месяцев вперёд, максимальная эффективность прогноза — 21 день.
Система учитывает: данные от ритейлеров, уровни дистрибуции, ценовую историю, статистику продаж промо и обычных SKU, сезонность и сетевые особенности. Это позволило получать прогноз как по SKU, так и по регионам и отдельным акциям с автоматизированной очисткой данных и повторным обучением модели по мере накопления истории.
❤️ В результате компания получила:
❤️ Повышения качества прогнозирования по всему ассортименту. Рост качества прогнозирования в среднем по SKU вырос до 76%
❤️ Управляемость промо: качество прогнозов выросло до 86%. В результате: производство стало стабильнее, трейд-команда — точнее, сеть — довольнее.
❤️ Компания ушла от интуитивных решений к системе управления по данным, которая видит всю полку, а не только собственные отчёты. Смотрите в карточках результаты в цифрах ❤️
❤️ В эпоху высокой промо-нагрузки точность прогноза крайне важна для устойчивости бизнеса. Кейс показывает: когда модель учитывает реальный контекст полки, компания получает не просто прогноз, а инструмент стратегического управления.
Как повысить точность прогноза промо-продаж до 86% и сделать планирование управляемым
Когда доля промо на FMCG-рынке перешла за 50%, компания столкнулась с проблемой, знакомой практически каждому крупному производителю – низкой точностью прогноза промо-продаж (50-60%). И с сопутствующими такому прогнозу потерями: перепроизводство, недопроизводство, проблемы с остаточными сроками годности.
Эти факторы формировали поведение покупателя сильнее, чем любые прошлые продажи. Компания приняла решение полностью перестроить подход:
Компания совместно с компанией GMCS разработала модель, которая учитывает 50–70 предикторов:
На этапе гипотез команда проверила:
Эти зависимости легли в основу будущей модели.
Модель строилась итеративно по методологии CRISP-DM:
гипотезы
Компания использовала ансамблевые методы (XGBoost, случайный лес, цепи Маркова) и SPSS Modeler, чтобы уловить нелинейные зависимости в промо-эффекте и влияние SKU друг на друга
Система учитывает: данные от ритейлеров, уровни дистрибуции, ценовую историю, статистику продаж промо и обычных SKU, сезонность и сетевые особенности. Это позволило получать прогноз как по SKU, так и по регионам и отдельным акциям с автоматизированной очисткой данных и повторным обучением модели по мере накопления истории.
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
❤10👍5🔥4
Продукты собственных торговых марок (СТМ) сервисов доставки и маркетплейсов всё чаще встречаются в корзине покупателя. Речь не о единичных SKU, а о системно присутствующих линейках, которые формируют заметную часть продаж в базовых категориях.
Данные показывают различия в масштабе присутствия СТМ у разных игроков. У одних витрин собственные бренды занимают значимую долю, у других остаются точечным сегментом. Все цифры и распределение — в карточках выше, снизу указаны магазины, сверху — торговые марки
Please open Telegram to view this post
VIEW IN TELEGRAM
❤10🔥3👍2👀1