Подробнее

Узнайте больше
о своем рынке

О продукте

Мы знаем многое о малом бизнесе в цифрах. На прилавках в России стоит более 1 000 000 смарт-терминалов Эвотор.

Когда кассир пробивает чек, информация о покупке попадает в нашу систему. Мы агрегируем обезличенные данные и формируем отчеты для пользователей Эвотор.Аналитики.

Из отчетов вы узнаете средние цены на товары в вашем регионе, ассортимент и сможете сравнить показатели со своими. Это поможет отстроиться от конкурентов, привлечь новых клиентов и расширить свой потенциал.
Базой для подготовки аналитических решений является BigData Эвотор. Прежде всего, это собственные данные Эвотор, получаемые ежедневно в режиме on-line c более чем 1 000 000 смарт-терминалов, на которых работает каждый четвертый предприниматель в РФ.

Вот ключевые характеристики наших данных:
  • 100% репрезентация страты A B C D
  • > 900 населённых пунктов в стратах A B C D
  • > 28 698 населённых пунктов в страте E
  • > 300 000 000 чеков в месяц
  • > 250 000 000 000 оборот ТТ в месяц
Количество населённых пунктов в базе и РФ
A
B
C1
C2
D
E
В базе
15
23
38
91
735
28 698
В РФ
15
23
38
91
735
> 28 698
Население в стратах:
A > 1 000 000
B > 500 000
C1 > 250 000
C2 > 100 000
D > 10 000
E < 10 000
Индексы
Индекс потребительской активности
Возникла ошибка загрузки данных, обновите страницу или повторите запрос немного позже
Описание индекса, выборка, методология расчета
Описание Индекса Традиционной Торговли Эвотор

Эвотор разработал методику расчета Индекса Традиционной Торговли. Данный индекс основывается на фактических данных о покупках, совершенных за определенный временной период.

Индекс показывает активность покупателей в торговых точках традиционной торговли разных сегментов за конкретный временной период.

Значение индекса зависит от количества и разнообразия покупок, совершенных в данном сегменте. Индекс может быть полезен для отслеживания измения спроса на продукцию определенных сегментов, а также для общей оценки покупательной способности населения.

Методология расчета

Методология расчета Индекса цен FMCG включает несколько этапов:

1. Формирование базы данных с эконометрическими показателями торговых точек за базовый период. В качестве базового периода используется последняя неделя предыдущего года
2. Сегментация торговых точек на основе базы данных о продажах
3. Формирование выборки наиболее репрезентативных торговых точек для каждого сегмента
4. Формирование базы данных с эконометрическими показателями для сформированной выборки за исследуемый временной период
5. Замена торговых точек из выборки на точки с близкими эконометрическими показателями в случае отсутствия активности в течение исследуемого периода
6. Расчет индекса
7. Нормирование полученного значения индекса на значение за базовый период

Формирование выборки ТТ

Выборка учитывает сегменты бизнеса, на которые приходится более 80% продаж (по количеству проданных позиций).

Общее количество торговых точек в выборке для всех сегментов - 10000. Количество торговых точек для каждого сегмента отобрано пропорционально количеству торговых точек данного сегмента в базе BigData Эвотор. При формировании выборки учитывались только торговые точки, имевшие непрерывную активность в течение 12 недель до базового периода включительно.

Признаки отбора торговых точек:

  • среднее количество чеков в неделю
  • средний чек
Методология замены ТТ

Для поддержания репрезентативности индекса торговые точки, не имеющие активности в течение исследуемого периода, заменяются на похожие по эконометрическим показателям. Для замены используются только торговые точки, имевшие непрерывную активность в течение 12 недель до исследуемого периода включительно.

Признаки для замены торговых точек:

  • среднее количество чеков в неделю
  • средний чек
  • ассортимент торговой точки

Значения признаков нормируются. Замена осуществляется на ближайшую торговую точку по данным признакам.

Индексы Эвотора
Возникла ошибка загрузки данных, обновите страницу или повторите запрос немного позже
По данным Эвотор.Аналитики
Возникла ошибка загрузки данных, обновите страницу или повторите запрос немного позже
По данным Эвотор.Аналитики
Возникла ошибка загрузки данных, обновите страницу или повторите запрос немного позже
По данным Эвотор.Аналитики
Возникла ошибка загрузки данных, обновите страницу или повторите запрос немного позже
По данным Эвотор.Аналитики
Возникла ошибка загрузки данных, обновите страницу или повторите запрос немного позже
По данным Эвотор.Аналитики
mdi-food Food mdi-food-off Non-food mdi-smoking Tobacco mdi-glass-cocktail Alcohol mdi-plus-box-outline Pharma Возникла ошибка загрузки данных, обновите страницу или повторите запрос немного позже
По данным Эвотор.Аналитики
Возникла ошибка загрузки данных, обновите страницу или повторите запрос немного позже
По данным Эвотор.Аналитики
Возникла ошибка загрузки данных, обновите страницу или повторите запрос немного позже
По данным Эвотор.Аналитики
Возникла ошибка загрузки данных, обновите страницу или повторите запрос немного позже
По данным Эвотор.Аналитики
Возникла ошибка загрузки данных, обновите страницу или повторите запрос немного позже
По данным Эвотор.Аналитики
Описание индекса, выборка, методология расчета
Описание Продуктового Индекса Цен Эвотор

Эвотор разработал методику расчета Продуктового Индекса Цен Эвотор FMCG Food Price Index. Данный индекс основывается на фактических данных о покупках, совершенных за определенный временной период, отражаемый индексом.

Индекс показывает фактическое изменение цен в торговых точках розничной торговли, те цены, по которым реальные покупатели приобретают товары, т.е. усредненное изменение цен (инфляцию) в продуктовой категории сегмента FMCG за конкретный временной период.

Задачей данного индекса, прежде всего, является отслеживание изменение цен с целью сопоставления с другими тенденциями рынка или тем как ведет себя конкретная товарная категории или ТМ.

Индекс может быть полезен для оптимизации ценовой политики компаний работающих в секторе Retail, компаний-производителей FMCG, а также для более широкого круга заинтересованных лиц.

Несмотря на то, что мы сравниваем значения нашего индекса с официальными данными инфляции Росстата, мы рекомендуем учитывать следующие условия при сопоставлении значений нашего индекса и индекса инфляции:

1. Индексы рассчитывается на основании различных массивов данных, базой для расчета Продуктового Индекса Цен Эвотор является BigData Эвотор.
2. Продуктовый Индекса Цен Эвотор рассчитывается по уникальной методологии.
3. Продуктовый Индекс Цен Эвотор, в отличие от индекса инфляции Росстат, фокусируется исключительно на продуктовой категории сегмента FMCG, в то время как официальный индекс инфляции Росстат учитывает множество других сегментов.

База для расчета

Базой для расчета Продуктового Индекса Цен является BigData Эвотор. Прежде всего, это собственные данные Эвотор, получаемые ежедневно в режиме on-line c более чем 900 000 смарт-терминалов, на которых работает каждый четвертый предприниматель в РФ.

Вот ключевые преимущества наших данных:

  • 100% точность определения SKU
  • Обновление данных в режиме онлайн — возможность ежедневного мониторинга ситуации
  • Аналитика с детализацией до конкретной торговой точки
  • 100% определение транзакции — какие SKU были проданы через конкретную кассу
  • Данные о реальных продажах непосредственно из чеков (а не экстраполяция данных)
Методология расчета

Методология расчета Индекса цен FMCG включает несколько этапов:

1. Формирование базы данных для расчетов за исследуемый период
2. Сегментация торговых точек на основе базы данных о продажах
3. Формирование выборки торговых точек
4. Калибровка выборки торговых точек
5. Формирование выборки товарных подкатегорий
6. Формирование выборки SKU
7. Формирование базы данных цен выбранных SKU
8. Фильтрация, верификация ценовых данных
9. Расчет ценового индекса

Формирование выборки ТТ

Для расчета Индекса Цен Эвотор FMCG Food Price Index была сформирована выборка смарт-терминалов, установленных в точках традиционной розничной торговли РФ.

Для того, чтобы выборка репрезентировала точки традиционной розничной торговли РФ, она формировалась с учетом следующих принципов:

  • представленность всех субъектов РФ
  • представленность населенных пунктов с различной численностью населения (по стратам: города-миллионники, от 500 000 до 1 000 000, от 100 000 до 500 000, от 10 000 до 100 000, менее 10 000)

Признаки отбора торговых точек:

  • ассортимент, его структура, доля SKU исследуемых категорий в общем ассортименте
  • среднедневной объем продаж в денежном выражении
  • среднемесячный объем продаж в денежном выражении
  • средний чек
  • среднедневное количество чеков
  • среднее количество позиций в чеке
  • доля присутствия в чеке исследуемой товарной категории
  • количество чеков с исследуемой товарной категорией за период
  • среднее количество позиций исследуемой товарной категории в чеке
  • суммарное количество продаж категории
  • средняя цена позиции товара исследуемой категории в чеке
  • среднее количество товаров в позиции в исследуемой категории
  • доля объема продаж исследуемых категорий в общем объеме продаж
  • продолжительность активности торговой точки
  • и ряд других признаков, отобранных с помощью методов Machine Learning с использованием AI командой BigData Evotor

Ежемесячно присутствующие в выборке торговые точки проходят процедуру верификации по перечисленным признакам с помощью алгоритмов фильтрации.

Формирование выборки товарных подкатегорий

Проанализировав многолетнюю динамику данных в категории food сегмента FMCG BigData Эвотор, мы выделили ряд ключевых товарных категорий, включение которых было необходимо для обеспечения высокой репрезентации данных в исследуемой категории с целью обеспечения самых высоких требований к параметрам «ценовой чувствительности» Продуктового Индекса Цен Эвотор.

Для обеспечения корректных параметров выбора и включения товарных категорий Продуктового Индекса Цен Эвотор мы использовали следующие эконометрические показатели:

  • доля присутствия в чеке исследуемой товарной категории
  • количество чеков с исследуемой товарной категорией за период
  • среднее количество позиций исследуемой товарной категории в чеке
  • суммарное количество продаж категории
  • средняя цена позиции товара исследуемой категории в чеке
  • среднее количество товаров в позиции в исследуемой категории
  • соотношений сумм цен во всех чеках и сумм цен в исследуемой категории
  • и ряд других признаков, отобранных с помощью методов Machine Learning с использованием AI командой BigData Evotor

При этом в рамках анализа исторических данных мы работали до уровня уникального SKU - ассортиментной позиции одной товарной группы, марки, сорта в одном типе упаковки одной емкости.

  • консистентность SKU
  • уровень дистрибуции, вся РФ (уровень: город, страта, регион)
  • пенетрация SKU
  • объем продаж в штуках
  • доля товара в обороте сегмента
  • доля товара в обороте категории
  • и ряд других значимых уникальных метрик разработанных с помощью методов Machine Learning командой BigData Evotor

В общей сложности, при разработке методологии расчета Продуктового Индекса Цен Эвотор, команда BigData Эвотор проанализировали поведение более 3 000 000 уникальных товаров (SKU) и их продажи, включая, но не ограничиваясь ценовыми трендами более чем в 900 000 торговых точек по всей России.

Суммарный объем проанализированных нами покупок в рамках разработки методологии Продуктового Индекса Эвотор превысил 10 000 000 000 единиц.

При этом, исходя из задач и сферы применения Продуктового Индекса Цен Эвотор, мы сфокусировали свое внимание на области его применения и включили в расчет необходимое и достаточное количество товарных категорий и конкретных SKU для обеспечения высоких характеристик «ценовой чувствительности» Индекса на основании описанного выше подхода.

Таким образом, на основании проведенного анализа, при расчете Продуктового Индекса Цен Эвотор мы используем более 257 SKU из 47 продуктовых категорий согласно классификации Эвотор.

* 47 продуктовых категорий вошедших в расчет Продуктового Индекса Эвотор представлены ниже:

Крупы, каши
Какао, горячий шоколад
Гречка
Пюре
Рис
Зефир, пастила
Томатная паста
Напитки
Чай, кофе, какао
Вода
Растворимый кофе
Пряники, вафли
Творог
Мука пшеничная
Сосиски, сардельки, колбаски
Каши
Пельмени, манты, хинкали
Сливки
Специи, приправы и пряности
Сыр
Макароны
Сметана
Майонез
Печенье, крекер
Шоколадная плитка
Шоколадные батончики
Молотый кофе
Молочные продукты
Овощи консервированные
Мармелад
Выпечка и сдоба
Густые йогурты, творожки
Шоколадные конфеты
Конфеты, карамель, леденцы
Масло растительное
Масло, маргарин, спред
Молоко
Соки, нектары, морсы
Полуфабрикаты из мяса
Кефир, бифидок, ацидофилин
Лимонады и газированные напитки
Готовые завтраки, мюсли, гранола
Фрукты и орехи в глазури, драже
Пресервы из рыбы и морепродуктов
Блюда готовые консервированные
Пюре и лапша быстрого приготовления
Десерты, пудинги, кремы, желе
Расчет Продуктового индекса цен

Базой для расчета Продуктового Индекса Цен является BigData Эвотор, ключевые характеристики которой описаны ранее.

При разработке нашего индекса мы использовали весь массив данных BigData Эвотор накопленный за многолетний период работы.

При этом, несмотря на хорошее покрытие, высокое качество и объем имеющихся в нашем распоряжении данных мы использовали ряд принципов при работе с данными, чтобы наши результаты были максимально релевантны и в полном объеме отражали ключевые ценовые тренды в продуктовой категории сегмента FMCG.

В частности, мы провели сегментацию всего торгового пространства BigData Эвотор, что позволило нам корректно интерпретировать данные ТТ различных сегментов. Кроме того, мы провели необходимые калибровочные мероприятия с целью выравнивания распределения всего торгового пространства BigData Эвотор в соответствии с фактической структурой распределения торгового пространства в РФ.

Эти необходимые, но не единственные мероприятия, которые регулярно проводятся, контролируются и верифицируются командой BigData Эвотор, а также систематическая актуализация данных о генеральной совокупности позволяет нам быть уверенными в качестве предоставляемых нами данных.

Описание Индекса Цен FMCG Non-food

Эвотор разработал методику расчета Индекса Цен FMCG Non-food. Данный индекс основывается на фактических данных о покупках, совершенных за определенный временной период, отражаемый индексом.

Индекс показывает фактическое изменение цен в торговых точках традиционной розничной торговли, те цены, по которым реальные покупатели приобретают товары, т.е. усредненное изменение цен (инфляцию) в категории non-food сегмента FMCG за конкретный временной период.

Задачей данного индекса, прежде всего, является отслеживание изменения цен на товары категории non-food с целью сопоставления с другими тенденциями рынка и динамикой цен на другие товарные категории.

Индекс может быть полезен для оптимизации ценовой политики, прогнозировании объема продаж компаний работающих в секторе Retail, компаний-производителей non-food в сегменте FMCG, а также для более широкого круга заинтересованных лиц, с целью изучения инфляционных процессов и рыночных трендов.

Значения индекса обновляются ежемесячно, методология и база данных позволяет увеличить частоту обновления данных до еженедельной.

База для расчета

Базой для расчета Индекса Цен FMCG Non-food является BigData Эвотор. Прежде всего, это собственные данные Эвотор, получаемые ежедневно в режиме on-line c более чем 900 000 смарт-терминалов, на которых работает каждый четвертый предприниматель в РФ.

При разработке нашего индекса мы использовали весь массив данных BigData Эвотор накопленный за многолетний период работы.

В общей сложности, при разработке методологии расчета Индекса Цен FMCG Non-food, команда BigData Эвотор проанализировали поведение более 3 000 000 уникальных товаров (SKU) и их продажи, включая, но не ограничиваясь ценовыми трендами более чем в 900 000 торговых точек по всей России.

Суммарный объем проанализированных нами покупок в рамках разработки методологии Индекса Цен FMCG Non-food Эвотор превысил 10 000 000 000 единиц.

При этом, несмотря на сплошное покрытие РФ, высокое качество и объем имеющихся в нашем распоряжении данных, мы использовали ряд принципов при работе с данными, добиваясь их максимальной консистентности и релевантности, с целью объективного отражения ключевых ценовых трендов в категории сегмента FMCG Non-food.

В частности, мы осуществили сегментацию всего торгового пространства BigData Эвотор, что позволило нам корректно интерпретировать данные ТТ различных сегментов. Кроме того, мы провели необходимые калибровочные процедуры с целью выравнивания распределения всего торгового пространства BigData Эвотор в соответствии с фактической структурой распределения торгового пространства в РФ.

С целью обеспечения высокого качества предоставляемой нами аналитики, команда BigData Эвотор регулярно осуществляет процедуры контроля, верификации и калибровки данных, актуализации данных о генеральной совокупности.

Методология расчета

Методология расчета Индекса цен FMCG включает несколько этапов:

1. Формирование базы данных для расчетов за исследуемый период
2. Сегментация торговых точек на основе базы данных о продажах
3. Формирование выборки торговых точек
4. Калибровка выборки торговых точек
5. Формирование выборки товарных подкатегорий
6. Формирование выборки SKU
7. Формирование базы данных цен выбранных SKU
8. Фильтрация, верификация ценовых данных
9. Расчет ценового индекса

Формирование выборки ТТ

Для расчета Индекса Цен FMCG Non-food была сформирована выборка смарт-терминалов, установленных в точках традиционной розничной торговли РФ.

Для того, чтобы выборка репрезентировала точки традиционной розничной торговли РФ, она формировалась с учетом следующих принципов:

  • представленность всех субъектов РФ
  • представленность населенных пунктов с различной численностью населения (по стратам: города-миллионники, от 500 000 до 1 000 000, от 100 000 до 500 000, от 10 000 до 100 000, менее 10 000)

Признаки отбора торговых точек:

  • ассортимент, его структура, доля SKU исследуемых категорий в общем ассортименте
  • среднедневной объем продаж в денежном выражении
  • среднемесячный объем продаж в денежном выражении
  • средний чек
  • среднедневное количество чеков
  • среднее количество позиций в чеке
  • доля присутствия в чеке исследуемой товарной категории
  • количество чеков с исследуемой товарной категорией за период
  • среднее количество позиций исследуемой товарной категории в чеке
  • суммарное количество продаж категории
  • средняя цена позиции товара исследуемой категории в чеке
  • среднее количество товаров в позиции в исследуемой категории
  • доля объема продаж исследуемых категорий в общем объеме продаж
  • продолжительность активности торговой точки
  • и ряд других признаков, отобранных с помощью методов Machine Learning с использованием AI командой BigData Evotor

Ежемесячно присутствующие в выборке торговые точки проходят процедуру верификации по перечисленным признакам с помощью алгоритмов фильтрации.

Формирование выборки товарных подкатегорий

Проанализировав многолетнюю динамику данных в категории non-food сегмента FMCG BigData Эвотор, мы выделили ряд товарных подкатегорий, включение которых было необходимо для обеспечения репрезентации данных в исследуемой категории с целью соответствия самых высоким требованиям к параметрам «ценовой чувствительности» Индекса Цен FMCG Non-food.

Выборка товарных подкатегорий формировалась с учетом следующих признаков:

  • доля присутствия в чеке товарной подкатегории
  • количество чеков с товарной подкатегорией за период
  • среднее количество позиций товарной подкатегории в чеке
  • суммарное количество продаж подкатегории
  • средняя цена позиции товара подкатегории в чеке
  • среднее количество товаров в позиции в подкатегории
  • и ряд других признаков, отобранных с помощью методов Machine Learning с использованием AI командой BigData Evotor

* Перечень подкатегорий представлен ниже.

Бритвы и лезвия
Ватные палочки и диски
Влажные салфетки
Чистящие и моющие средства для душа
Чистящие и моющие средства для кафеля
Чистящие и моющие средства сантехники и труб
Чистящие и моющие средства для кухни
Чистящие и моющие средства для мебели
Чистящие и моющие средства для мытья посуды
Зубная паста
Зубные щётки
Шампуни
Кондиционеры и ополаскиватели
Мыло
Отбеливатели и пятновыводители
Полоскание и уход за полостью рта
Прокладки и тампоны
Чистящие и моющие средства ковров и напольных покрытий
Стиральный порошок
Туалетная бумага и полотенца
Чистящие и моющие средства
Уход за руками
Формирование выборки SKU

Расчет Индекса Цен FMCG Non-food осуществляется на основе данных о ценах конкретных SKU.

Выборка SKU формировалась с учетом следующих признаков:

  • Перечень SKU должен представлять подкатегории FMCG Non-food, выбранные в соответствии с методологией
  • Частота покупки SKU
  • Пенетрация SKU
  • Уровень дистрибуции SKU по субъектам РФ
  • Уровень дистрибуции SKU по типам городов (по численности населения)
  • Объем продаж SKU в штуках
  • Доля SKU в обороте сегмента
  • Доля SKU в обороте категории
  • Присутствие SKU в продажах на протяжении всего исследуемого периода
  • И ряд других значимых уникальных метрик разработанных с помощью методов Machine Learning командой BigData Evotor

На основании многофакторного отбора, были определены 73 SKU из 22 товарных подкатегорий, согласно классификации Эвотор, позволяющие обеспечить репрезентативность результатов и достичь высокого уровня чувствительности к динамике цен в категории FMCG Non-food.

Расчет ценового индекса

Финальный этап расчета ценового индекса включает в себя следующие процедуры:

  • Формирование базы данных цен выбранных SKU за исследуемый период
  • Фильтрация, верификация ценовых данных.

Данная процедура осуществляется для очистки данных от аномальных значений, исключения технических ошибок, ошибок регистрации, фрода и других явлений, искажающих объективные ценовые значения.

Модель очистки ценовых данных, разработанная с помощью методов машинного обучения, определяет аномальные значения на основании анализа отклонений от медианного ценового значения для каждого анализируемого периода.

Ценовой индекс рассчитывается как отношение среднемесячной цены за исследуемый месяц к среднемесячной цене за базовый период. В качестве базового периода был выбран январь 2020 года.

Описание Индекса цен на сигареты

Эвотор разработал методику расчета Индекса цен на сигареты. Данный индекс основывается на фактических данных о покупках, совершенных за исследуемый временной период, отражаемый индексом.

Индекс показывает фактическое изменение цен на сигареты в торговых точках традиционной розничной торговли, те цены, по которым реальные покупатели приобретают товары, т.е. усредненное изменение цен (инфляцию) на сигареты за конкретный временной период.

Задачей данного индекса, прежде всего, является отслеживание изменения цен на сигареты с целью сопоставления с другими тенденциями рынка и динамикой цен на другие товарные категории.

Индекс может быть полезен для оптимизации ценовой политики, прогнозировании объема продаж компаний работающих в секторе Retail, компаний-производителей сигарет, а так же для более широкого круга заинтересованных лиц, с целью изучения инфляционных процессов и рыночных трендов.

Значения индекса обновляются ежемесячно, методология и база данных позволяет увеличить частоту обновления данных до еженедельной.

База для расчета

Базой для расчета Индекса цен на сигареты является BigData Эвотор. Прежде всего, это собственные данные Эвотор, получаемые ежедневно в режиме on-line c более чем 900 000 смарт-терминалов, на которых работает каждый четвертый предприниматель в РФ.

При разработке нашего индекса мы использовали весь массив данных BigData Эвотор накопленный за многолетний период работы. При этом, несмотря на сплошное покрытие РФ, высокое качество и объем имеющихся в нашем распоряжении данных, мы использовали ряд принципов при работе с данными, добиваясь их максимальной консистентности и релевантности, с целью объективного отражения ключевых ценовых трендов в категории сигарет.

В частности, мы осуществили сегментацию всего торгового пространства BigData Эвотор, что позволило нам корректно интерпретировать данные ТТ различных сегментов. Кроме того, мы провели необходимые калибровочные процедуры с целью выравнивания распределения всего торгового пространства BigData Эвотор в соответствии с фактической структурой распределения торгового пространства в РФ.

С целью обеспечения высокого качества предоставляемой нами аналитики, команда BigData Эвотор регулярно осуществляет процедуры контроля, верификации и калибровки данных, актуализации данных о генеральной совокупности.

Методология расчета

Методология расчета Индекса цен на сигареты включает несколько этапов:

1. Формирование базы данных для расчетов за исследуемый период
2. Сегментация торговых точек на основе базы данных о продажах
3. Формирование выборки торговых точек
4. Калибровка выборки торговых точек
5. Формирование выборки SKU
6. Формирование базы данных цен выбранных SKU
7. Фильтрация, верификация ценовых данных
8. Расчет ценового индекса

Формирование выборки ТТ

Для расчета Индекса цен на сигареты была сформирована выборка смарт-терминалов, установленных в точках традиционной розничной торговли РФ.

Для того, чтобы выборка репрезентировала точки традиционной розничной торговли РФ, она формировалась с учетом следующих принципов:

  • представленность всех субъектов РФ
  • представленность населенных пунктов с различной численностью населения (по стратам: города-миллионники, от 500 000 до 1 000 000, от 100 000 до 500 000, от 10 000 до 100 000, менее 10 000)

Признаки отбора торговых точек:

  • среднедневной объем продаж в денежном выражении
  • среднемесячный объем продаж в денежном выражении
  • средний чек
  • среднедневное количество чеков
  • среднее количество позиций в чеке
  • доля присутствия в чеке сигарет
  • количество чеков с сигаретами за период
  • среднее количество позиций сигарет в чеке
  • суммарное количество продаж сигарет
  • средняя цена позиции сигарет в чеке
  • среднее количество в позиции
  • доля объема продаж сигарет в общем объеме продаж
  • продолжительность активности торговой точки
  • и ряд других признаков, отобранных с помощью методов Machine Learning с использованием AI командой BigData Evotor

Ежемесячно присутствующие в выборке торговые точки проходят процедуру верификации по перечисленным признакам с помощью алгоритмов фильтрации.

Формирование выборки SKU

Расчет Индекса цен на сигареты осуществляется на основе данных о ценах конкретных SKU.

Выборка SKU формировалась с учетом следующих признаков:

  • Частота покупки SKU
  • Пенетрация SKU
  • Уровень дистрибуции SKU по субъектам РФ
  • Уровень дистрибуции SKU по типам городов (по численности населения)
  • Объем продаж SKU в штуках
  • Доля SKU в обороте сегмента
  • Доля SKU в обороте категории
  • Присутствие SKU в продажах на протяжении всего исследуемого периода
  • И ряд других значимых уникальных метрик разработанных с помощью методов Machine Learning командой BigData Evotor

На основании многофакторного отбора, были определены 100 SKU из категории Сигареты, позволяющие обеспечить репрезентативность результатов и достичь высокого уровня чувствительности к динамике цен в категории Сигареты.

Расчет ценового индекса

Финальный этап расчета ценового индекса включает в себя следующие процедуры:

  • Формирование базы данных цен выбранных SKU за исследуемый период
  • Фильтрация, верификация ценовых данных.

Данная процедура осуществляется для очистки данных от аномальных значений, исключения технических ошибок, ошибок регистрации, фрода и других явлений, искажающих объективные ценовые значения.

Модель очистки ценовых данных, разработанная с помощью методов машинного обучения, определяет аномальные значения на основании анализа отклонений от медианного ценового значения для каждого анализируемого периода.

Ценовой индекс рассчитывается как отношение среднемесячной цены за исследуемый месяц к среднемесячной цене за базовый период. В качестве базового периода был выбран январь 2020 года.

Описание Индекса цен на алкоголь

Эвотор разработал методику расчета Индекса цен на алкоголь. Данный индекс основывается на фактических данных о покупках, совершенных за исследуемый временной период, отражаемый индексом.

Индекс показывает фактическое изменение цен на алкоголь в торговых точках традиционной розничной торговли, те цены, по которым реальные покупатели приобретают товары, т.е. усредненное изменение цен (инфляцию) в категории Алкоголь за конкретный временной период.

Задачей данного индекса, прежде всего, является отслеживание изменения цен на алкоголь с целью сопоставления с другими тенденциями рынка и динамикой цен на другие товарные категории.

Индекс может быть полезен для оптимизации ценовой политики, прогнозировании объема продаж компаний работающих в секторе Retail, компаний-производителей алкоголя, а также для более широкого круга заинтересованных лиц, с целью изучения инфляционных процессов и рыночных трендов.

Значения индекса обновляются ежемесячно, методология и база данных позволяет увеличить частоту обновления данных до еженедельной.

База для расчета

Базой для расчета Индекса цен на алкоголь является BigData Эвотор. Прежде всего, это собственные данные Эвотор, получаемые ежедневно в режиме on-line c более чем 900 000 смарт-терминалов, на которых работает каждый четвертый предприниматель в РФ.

При разработке нашего индекса мы использовали весь массив данных BigData Эвотор накопленный за многолетний период работы. При этом, несмотря на сплошное покрытие РФ, высокое качество и объем имеющихся в нашем распоряжении данных, мы использовали ряд принципов при работе с данными, добиваясь их максимальной консистентности и релевантности, с целью объективного отражения ключевых ценовых трендов в категории Алкоголь.

В частности, мы осуществили сегментацию всего торгового пространства BigData Эвотор, что позволило нам корректно интерпретировать данные ТТ различных сегментов. Кроме того, мы провели необходимые калибровочные процедуры с целью выравнивания распределения всего торгового пространства BigData Эвотор в соответствии с фактической структурой распределения торгового пространства в РФ.

С целью обеспечения высокого качества предоставляемой нами аналитики, команда BigData Эвотор регулярно осуществляет процедуры контроля, верификации и калибровки данных, актуализации данных о генеральной совокупности.

Методология расчета

Методология расчета Индекса цен на алкоголь включает несколько этапов:

1. Формирование базы данных для расчетов за исследуемый период
2. Сегментация торговых точек на основе базы данных о продажах
3. Формирование выборки торговых точек
4. Калибровка выборки торговых точек
5. Формирование выборки товарных подкатегорий
6. Формирование выборки SKU
7. Формирование базы данных цен выбранных SKU
8. Фильтрация, верификация ценовых данных
9. Расчет ценового индекса

Формирование выборки ТТ

Для расчета Индекса цен на алкоголь была сформирована выборка смарт-терминалов, установленных в точках традиционной розничной торговли РФ.

Для того, чтобы выборка репрезентировала точки традиционной розничной торговли РФ, она формировалась с учетом следующих принципов:

  • представленность всех субъектов РФ
  • представленность населенных пунктов с различной численностью населения (по стратам: города-миллионники, от 500 000 до 1 000 000, от 100 000 до 500 000, от 10 000 до 100 000, менее 10 000)

Признаки отбора торговых точек:

  • среднедневной объем продаж в денежном выражении
  • среднемесячный объем продаж в денежном выражении
  • средний чек
  • среднедневное количество чеков
  • среднее количество позиций в чеке
  • доля присутствия в чеке категории Алкоголь
  • количество чеков с категорией Алкоголь за период
  • среднее количество позиций категории Алкоголь в чеке
  • суммарное количество продаж категории Алкоголь
  • средняя цена позиции товара категории Алкоголь в чеке
  • среднее количество товаров категории Алкоголь в позиции
  • доля объема продаж категории Алкоголь в общем объеме продаж
  • продолжительность активности торговой точки
  • и ряд других признаков, отобранных с помощью методов Machine Learning с использованием AI командой BigData Evotor

Ежемесячно присутствующие в выборке торговые точки проходят процедуру верификации по перечисленным признакам с помощью алгоритмов фильтрации.

Формирование выборки SKU

Расчет Индекса цен на алкоголь осуществляется на основе данных о ценах конкретных SKU.

Выборка SKU формировалась с учетом следующих признаков:

  • Частота покупки SKU
  • Пенетрация SKU
  • Уровень дистрибуции SKU по субъектам РФ
  • Уровень дистрибуции SKU по типам городов (по численности населения)
  • Объем продаж SKU в штуках
  • Доля SKU в обороте сегмента
  • Доля SKU в обороте категории
  • Присутствие SKU в продажах на протяжении всего исследуемого периода
  • И ряд других значимых уникальных метрик разработанных с помощью методов Machine Learning командой BigData Evotor

На основании многофакторного отбора, были определены 163 SKU из категории алкоголь (пиво, вино, крепкий алкоголь и др.), позволяющие обеспечить репрезентативность результатов и достичь высокого уровня чувствительности к динамике цен в категории Алкоголь.

Расчет ценового индекса

Финальный этап расчета ценового индекса включает в себя следующие процедуры:

  • Формирование базы данных цен выбранных SKU за исследуемый период
  • Фильтрация, верификация ценовых данных.

Данная процедура осуществляется для очистки данных от аномальных значений, исключения технических ошибок, ошибок регистрации, фрода и других явлений, искажающих объективные ценовые значения.

Модель очистки ценовых данных, разработанная с помощью методов машинного обучения, определяет аномальные значения на основании анализа отклонений от медианного ценового значения для каждого анализируемого периода.

Ценовой индекс рассчитывается как отношение среднемесячной цены за исследуемый месяц к среднемесячной цене за базовый период. В качестве базового периода был выбран январь 2020 года.

Описание Индекса «Фарма»

Эвотор разработал методику расчета индексов «Фарма». Индекс основывается на фактических данных о покупках, совершенных за определенный временной период, трех категорий лекарственных средств:

Индекс показывает фактическое изменение цен и объема продаж в исследуемых категориях лекарственных средств, на основе реальных покупок за конкретный временной период.

Задачей данной группы индекса, прежде всего, является мониторинг ценовой динамики исследуемых категорий лекарственных средств, а также динамики объема продаж, которая, как показывает исследование, коррелирует с динамикой заболеваемости, и, соответственно, может быть использована для отслеживания волн заболеваемости, которым сопутствует повышенный спрос на соответствующие лекарственные средства.

Индекс может быть полезен для оптимизации рекламных кампаний и ценовой политики участников фарм-рынка.

Значения индекса обновляются ежемесячно, методология и база данных позволяет увеличить частоту обновления данных до еженедельной.

База для расчета

Базой для расчета Индексов «Фарма» является BigData Эвотор. Прежде всего, это собственные данные Эвотор получаемые ежедневно в режиме on-line c более чем 900 000 смарт-терминалов, на которых работает каждый четвертый предприниматель в РФ.

При разработке нашего индекса мы использовали весь массив данных BigData Эвотор накопленный за многолетний период работы.

В общей сложности, при разработке методологии расчета Индексов «Фарма», команда BigData Эвотор проанализировали поведение более 3 000 000 уникальных товаров (SKU) и их продажи, включая, но не ограничиваясь ценовыми трендами более чем в 900 000 торговых точек по всей России.

При этом, несмотря на сплошное покрытие РФ, высокое качество и объем имеющихся в нашем распоряжении данных, мы использовали ряд принципов при работе с данными, добиваясь их максимальной консистентности и релевантности, с целью объективного отражения динамики цен и объема продаж в исследуемые категориях лекарственных средств.

В частности, мы осуществили сегментацию всего торгового пространства BigData Эвотор, что позволило нам корректно интерпретировать данные ТТ различных сегментов. Кроме того, мы провели необходимые калибровочные процедуры с целью выравнивания распределения всего торгового пространства BigData Эвотор в соответствии с фактической структурой распределения торгового пространства в РФ.

С целью обеспечения высокого качества предоставляемой нами аналитики, команда BigData Эвотор регулярно осуществляет процедуры контроля, верификации и калибровки данных, актуализации данных о генеральной совокупности.

Методология расчета

Методология расчета Индексов «Фарма» включает несколько этапов:

1. Формирование базы данных для расчетов за исследуемый период
2. Сегментация торговых точек на основе базы данных о продажах
3. Формирование выборки аптек
4. Калибровка выборки аптек
5. Формирование выборки SKU
6. Формирование базы данных цен и объема продаж выбранных SKU
7. Фильтрация, верификация ценовых данных
8. Расчет ценового индекса

Формирование выборки аптек

Для расчета Индексов «Фарма» была сформирована выборка смарт-терминалов, установленных в аптеках РФ.

Для того, чтобы выборка репрезентировала точки традиционной розничной торговли РФ, она формировалась с учетом следующих принципов:

  • представленность всех Федеральных Округов
  • представленность населенных пунктов с различной численностью населения (по стратам: города-миллионники, от 500 000 до 1 000 000, от 100 000 до 500 000, от 10 000 до 100 000, менее 10 000)

Признаки отбора и классификации аптек:

  • среднедневной объем продаж в денежном выражении
  • среднемесячный объем продаж в денежном выражении
  • средний чек
  • среднедневное количество чеков
  • среднее количество позиций в чеке
  • средняя цена позиции товара в чеке
  • среднее количество товаров в позиции
  • продолжительность активности аптеки
  • и ряд других признаков, отобранных с помощью методов Machine Learning с использованием AI командой BigData Evotor

Ежемесячно присутствующие в выборке торговые точки проходят процедуру верификации по перечисленным признакам с помощью алгоритмов фильтрации.

Формирование выборки SKU

Расчет Индексов «Фарма» осуществляется на основе данных о ценах конкретных SKU.

Выборка SKU формировалась с учетом следующих признаков:

  • Перечень SKU должен представлять соответствующую категорию лекарственных средств
  • Частота покупки SKU
  • Пенетрация SKU
  • Уровень дистрибуции SKU по Федеральным округам РФ
  • Уровень дистрибуции SKU по типам городов (по численности населения)
  • Объем продаж SKU в штуках
  • Доля SKU в обороте категории
  • Присутствие SKU в продажах на протяжении всего исследуемого периода
  • И ряд других значимых уникальных метрик разработанных с помощью методов Machine Learning командой BigData Evotor

Для каждой исследуемой группы лекарственных средств была сформирована своя выборка SKU, позволяющая отслеживать изменения в динамике продаж и, соответственно, формировать прогноз динамики заболеваний.

Расчет индексов цены и объема продаж

Финальный этап расчета Индексов «Фарма» включает в себя следующие процедуры:

  • Формирование базы данных цен выбранных SKU за исследуемый период
  • Фильтрация, верификация ценовых данных.

Данная процедура осуществляется для очистки данных от аномальных значений, исключения технических ошибок, ошибок регистрации, фрода и других явлений, искажающих объективные ценовые значения.

Ценовой индекс рассчитывается как отношение среднемесячной цены за исследуемый месяц к среднемесячной цене за базовый период.

Индекс объема продаж рассчитывается как отношение среднемесячного объема продаж в среднем на одну аптеку за исследуемый месяц, к среднемесячному объему продаж в среднем на одну аптеку за базовый период.

Усреднение на одну аптеку позволяет избежать влияние размера аптеки, которое может исказить объективную динамику продаж.

В качестве базового периода был выбран январь 2020 года.

Индексы «»

Индексы «» позволяют определять динамику продаж лекарственных средств, применяемых населением РФ для лечения гриппа. В эту группу лекарственных средств вошли антибиотики, иммунотропные, противовирусные, антибактериальные лекарственные средства.

Анализ динамики объема продаж отобранных в выборку лекарственных средств для расчета Индекса «», и динамики заболеваемости гриппом населения РФ (использовались данные ФГБУ Научно-исследовательский институт гриппа имении А.А.Смородинцева) показал высокую степень корреляции между ними. Этот факт позволяет использовать индекс для фиксирования начала сезона массового заболевания гриппом в РФ, прогнозировать его продолжительность и завершение, что может быть полезно для формирования рекламных компаний соответствующих лекарственных средств и оптимизации ценовой политики.

Индекс цены и индекс объема продаж «» рассчитывается на основе анализа данных о продажах 69 SKU, относящихся к соответствующей группе лекарственных средств:

Лазолван р-р для приема внутрь и ингаляций 7,5 мг./мл. флаконы, 100 мл.
Пиносол капли назальные, 10 мл.
Лазолван, сироп 15 мг./5 мл., 100 мл.
Лазолван, сироп 30 мг./5 мл., 100 мл.
Аква Марис, капли назальные для детей, 10 мл.
Бромгексин 8 Берлин-Хеми таблетки покрыт об. 8 мг., 25 шт.
АЦЦ-лонг таблетки шипучие 600 мг., 10 шт.
АЦЦ 200 таблетки шипучие 200 мг., 20 шт.
АЦЦ порошок для приготовления раствора 200 мг. апельсин пакетики, 20 шт.
АЦЦ гранулы для приготовления раствора для приема внутрь, 600 мг. 6 шт.
Називин, капли назальные 0,05% 10 мл.
Називин, капли назальные 0,01% 5 мл.
Називин, капли назальные 0,025% 10 мл.
Парацетамол таблетки 500 мг., 10 шт.
Парацетамол таблетки 500 мг., 20 шт.
Ингалипт аэрозоль, 30 мл.
Арбидол, капсулы 100 мг., 10 шт.
Арбидол, капсулы 100 мг., 20 шт.
Некст, таблетки 400 мг+200 мг., 10 шт.
Риностоп, спрей назал. дозир. 0,05% фл. 15 мл.
Риностоп, спрей назал. дозир. 0,1% фл. 15 мл.
Арбидол Максимум, капсулы 200 мг., 10 шт.
Арбидол таблетки покрыт. плен. об. 50 мг., 10 шт.
Арбидол таблетки покрыт. плен. об. 50 мг., 20 шт.
Граммидин Нео с анестетиком, таблетки, 18 шт.
Граммидин Нео, таблетки, 18 шт.
Ингавирин капсулы 60 мг., 10 шт.
Ингавирин капсулы 90 мг., 10 шт.
ТераФлю от гриппа и простуды, порошок, со вкусом лимона, 14 пакетиков
Циклоферон, таблетки 150 мг., 10 шт.
Циклоферон, таблетки 150 мг., 20 шт.
Риностоп, капли назальные 0,1%, 10 мл.
Ингалипт, аэрозоль, 30 мл.
Мукалтин, таблетки 50 мг., 10 шт., Татхимфармпрепараты
Ксилен капли назальные 0,1%, 10 мл.
Мукалтин, таблетки 50 мг., 10 шт., Вифитех
Виферон, свечи ректальные 150 000 ме., 10 шт.
Римантадин таб.50 мг. №20
Гриппферон, капли в нос 10000 ме./мл., 10 мл.
Гриппферон спрей назальный дозированный 500 МЕ./доза (10 тыс.МЕ/мл), 10 мл.
Цитовир-3, сироп, 50 мл.
Нафтизин капли назальные 0.1%, фл-кап.15 мл.
Эргоферон, таблетки для рассасывания, 20 шт.
Отривин Увлажняющая формула, спрей назальный дозированный 0.1%, 10 мл.
Отривин Ментол спрей назальный, дозированный 0,1% 10 мл.
Деринат, флакон-капельница 0.25%, 10 м
Нурофен суспензия для детей 100 мг./5 мл. апельсин, 150 мл.
Нурофен суспензия для детей 100 мг./5 мл. клубника, 150 мл.
Стрепсилс с ментолом и эвкалиптом, таблетки, 24 шт.
Стрепсилс с медом и лимоном, таблетки, 24 шт.
Нурофен форте, таблетки обезболивающие 400 мг., 12 шт.
Нурофен суспензия для детей 100 мг./5 мл. клубника, 100 мл.
Стрепсилс Интенсив, таблетки медово-лимонные, 24 шт.
Стрепсилс, лимон б/сахара, 24 шт.
Нурофен для детей с 6 лет, таблетки от жара и боли 200 мг., 8 шт.
Стрепсилс с витамином С, таблетки, 24 шт.
Нурофен, таблетки обезболивающие 200 мг., 10 шт.
Нурофен, таблетки обезболивающие 200 мг., 20 шт.
Нурофен Экспресс Форте капсулы обезболивающие 400 мг., 10 шт.
Нурофен Экспресс капсулы обезболивающие 200 мг., 8 шт.
Нурофен Экспресс, капсулы обезболивающие 200 мг., 16 шт.
Стрепсилс Интенсив таблетки для рассасывания апельсин без сахара, 24 шт.
Фарингосепт таблетки для рассасывания лимон 10 мг., 20 шт.
Фарингосепт таблетки для рассасывания 10 мг., 20 шт.
Тантум Верде спрей для местного применения дозированный, 30 мл.
Ринза таблетки, 10 шт.
Ибуклин Юниор, таблетки диспергируемые 100 мг.+125 мг. 20 шт.
Ибуклин, таблетки покрыт. плен.об. 400 мг.+325 мг. 10 шт.
Риниколд, таблетки, 10 шт.
Индексы «»

Индексы цены и объема продаж «» позволяют определять динамику продаж лекарственных средств, применяемых против аллергии. С учетом специфики респираторной аллергии, сезонностью ее обострения, данный индекс позволяет отслеживать старт и прогнозировать продолжительность сезонов массового обострения аллергии. Индекс может быть полезен для продавцов соответствующих лекарственных средств при формировании рекламной кампании, ее оптимизации с точки зрения периодов ее активизации, формирования ценовой политики.

Индекс цены и индекс объема продаж «» рассчитывается на основе анализа данных о продажах 13 SKU, относящихся к соответствующей группе лекарственных средств:

Зодак капли для приема внутрь 10 мг./мл., 20 мл.
Кларитин 10 мг. №10 таб. ж/в
Полинадим® капли глазные 0,1 % + 0,025 %
Тавегил таблетки 1 мг., 20 шт.
Тавегил таблетки 1 мг., 10 шт.
Супрастинекс, таблетки покрыт. плен. об. 5 мг. 7 шт.
Супрастинекс, таблетки покрыт. плен. об. 5 мг. 14 шт.
Супрастинекс, капли для приема внутрь 5 мг./мл. 20 мл.
Фенистил гель для наружного применения 0,1% туба 50 г.
Зодак таблетки покрыт. плен. об. 10 мг., 10 шт.
Зодак таблетки покрыт. плен. об. 10 мг., 30 шт.
Цетрин, таблетки покрыт. плен. об.10 мг. 20 шт.
Цетрин, таблетки покрыт. плен. об.10 мг. 30 шт.
Индексы «»

Индексы цены и объема продаж «» позволяют определять динамику продаж лекарственных средств, которые население используют при повышенном стрессе. Данный индекс позволяет отслеживать начало и завершение сезонов, в течение которых успокоительные лекарственные средства особенно востребованы населением Индекс может быть полезен для продавцов соответствующих лекарственных средств при формировании рекламной кампании, ее оптимизации с точки зрения периодов ее активизации, формирования ценовой политики.

Индекс цены и индекс объема продаж «» рассчитывается на основе анализа данных о продажах 10 SKU, относящихся к соответствующей группе безрецептурных лекарственных средств:

Персен, таблетки покрыт. об. 20 шт.
Афобазол, таблетки 10 мг., 60 шт.
Глицин, таблетки 100 мг., 50 шт.
Фенибут, таблетки 250 мг. 20 шт.
Валерианы настойка, 25 мл.
Тенотен, таблетки, 40 шт.
Пантогам, таблетки 250 мг., 50 шт.
Валерианы таблетки, 20 мг., 50 шт.
Ново-Пассит, таблетки покрыт. плен. об. 10 шт.
Ново-Пассит, р-р для приема внутрь 100 мл. флакон
Выбирайте нужную
детализацию отчетов
Доступные отчеты

Используйте отчеты,
чтобы вести бизнес эффективнее

Оставьте заявку на аналитику
Или напишите нам
Скачать презентацию
Презентация «Эвотор.Аналитика» в формате .PDF, 5,65 Мб
×
Запрос успешно отправлен
Менеджер свяжется с Вами в ближайшее время.
×
Возникла ошибка
Попробуйте повторить запрос через некоторое время.