ИИ в управлении цепочками поставок FMCG: Procter & Gamble, Unilever и Nestlé

Procter & Gamble продаёт >300 брендов в >180 странах через миллионы торговых точек. Управлять прогнозом спроса для такого портфеля — задача, которую невозможно решить без AI. P&G внедрила AI-прогнозирование ещё в 2012 году и за декаду довела точность forecast'а до показателей, недостижимых традиционными методами.

Кейс 1. Procter & Gamble — AI в глобальной FMCG

Масштаб P&G

• Выручка: $80 млрд+
• SKU: >70 000 активных позиций
• Производственных заводов: >100 в 40+ странах
• Дистрибуция: прямая в 60+ странах + дистрибьюторы везде

AI Supply Chain P&G

1. Demand Sensing:

• Традиционный demand planning: данные продаж за прошлые периоды + сезонность
• P&G AI: добавляет внешние сигналы в реальном времени
• Социальные тренды, поисковые запросы, погодные данные, локальные события
• Пример: вспышка гриппа в регионе → автоматический рост forecast на Vicks, NyQuil
• Точность forecast: улучшена на ~25% vs традиционные методы

2. AI-управление промоакциями:

• P&G проводит тысячи промоакций одновременно (скидки в ретейлерах)
• ML предсказывает: сколько дополнительно продастся во время промо
• Optimal promotion depth: «скидка 15% приносит +40% объёма, 20% скидка — только +42% при значительно меньшей марже»

3. Network Optimization:

• Где производить какой продукт? Где хранить? Откуда отгружать?
• ML-оптимизация: учитывает тысячи переменных (стоимость, время, капacity, риски)
• Результат: P&G сократила количество заводов при росте выпуска — за счёт оптимизации загрузки

Кейс 2. Unilever — AI для 400 брендов

Особенности Unilever

Unilever:

• >400 брендов (Dove, Knorr, Hellmann's, Lipton, Ben&Jerry's)
• Выручка: €60 млрд
• Акцент: Emerging Markets (60%+ выручки — Индия, Африка, ЮВА)

AI в Emerging Markets

Route to Market AI:

• В Индии: миллионы kiranas (маленьких магазинчиков)
• Традиционно: торговый представитель объезжает 50–60 магазинов/день
• Unilever AI: оптимальный маршрут + прогноз заказа каждой точки
• Торговый представитель: «сегодня в магазин 17 нужно предложить Dove и Lipton — там скоро закончится»
• Производительность: +30% магазинов за тот же рабочий день

Microtargeting AI:

• Emerging markets: огромная неоднородность в рамках одной страны
• ML сегментирует: 1 400 микросегментов в Индии
• Каждый микросегмент: своё медиапланирование, цена, упаковка (sachet vs bottle)

AI-управление Small Pack:

• В развивающихся странах: сачеты (3–5 мл) — основной формат
• ML оптимизирует: производство сачетов по регионам, дням недели, температурному режиму

Кейс 3. Coca-Cola — AI в напитках и ингредиентах

Масштаб

• >200 стран присутствия
• >900 производственных объектов (свои + партнёрские боттлеры)
• >500 брендов

AI-применения Coca-Cola

AI Dispenser Personalization:

• Freestyle Dispenser: умный аппарат для смешивания напитков
• AI анализирует: популярные комбинации → новые «вкусы» тестируются виртуально
• «Cherry-Sprite» в 15 штатах — данные собраны с 100 000 диспенсеров без фокус-групп

AI Quality Control:

• Каждая бутылка проходит CV-контроль на конвейере
• Определяет: правильный уровень наполнения, наличие этикетки, целостность крышки
• Скорость: >1 500 бутылок/минуту с AI

Sugar Optimization AI:

• Coca-Cola снижает сахар в продуктах под давлением регуляторов
• ML моделирует: как изменение состава влияет на вкус (без реальных потребительских тестов)
• Тонкие изменения: потребитель не замечает разницы — AI находит «невидимый порог»

Кейс 4. Практика для российского FMCG-дистрибьютора

Реальный кейс: дистрибьютор с 5 000 торговых точек

Исходная ситуация:

• 50 торговых представителей
• 5 000 торговых точек (гастрономы, магазины у дома, мини-маркеты)
• Ручное планирование маршрутов: представитель сам решает куда ехать
• Заказы: часто неточные — то излишки, то дефицит

AI-трансформация:

Шаг 1 — Маршрутизация (Яндекс.Маршрутизация API):

• Загрузить 5 000 точек + адреса представителей
• API строит оптимальные маршруты с учётом часов работы магазинов
• Результат: каждый представитель посещает на 6–8 точек больше в день

Шаг 2 — Demand Forecasting (Python + Prophet/XGBoost):

• Собрать: историю продаж каждой SKU в каждой точке (из 1С)
• ML-модель: предсказывает продажи на следующие 2 недели по точкам
• Автоматически формирует: рекомендованные заказы для представителя

Шаг 3 — Аномалии (ChatGPT + данные):

• «Вот данные продаж за месяц. Выяви: точки с аномально низкими продажами — возможно проблемы (смена собственника, строительство рядом, ответные действия конкурента)»

ROI: | Эффект | Результат | |---|---| | Больше визитов (+7/день × 50 торг.пред) | +175 000 дополнительных визитов/год | | Рост выручки из доп. визитов (~₽2 000/визит) | +₽350 000 000/год | | Снижение излишков (точный forecast) | -₽15 000 000/год | | Инвестиции в AI | ₽5 000 000/год | | ROI | 73:1 |

Источники: P&G Annual Report 2023, Unilever supply chain documentation, Coca-Cola Freestyle platform data, McKinsey FMCG AI.