Pakketo.

Η Pakketo ξεκίνησε το 2016 με επίκεντρο έπιπλα και διακόσμηση σπιτιού — λειτουργικό design, καλή ποιότητα και προσιτές τιμές, με κατάλογο που συνεχώς μεγαλώνει. Ως το 2019 είχε ήδη καθιερωθεί ως σοβαρός online προορισμός για επίπλωση και για εσωτερικούς και για εξωτερικούς χώρους σε όλη την Ελλάδα.

Το brief για το Black Friday 2019 ήταν ξεκάθαρο και απαιτητικό: +80% revenue μέσα σε συγκεκριμένο target ROAS. Η εύκολη τακτική — να προθερμάνεις τη ζήτηση προαναγγέλλοντας την προσφορά — έχει ένα γνωστό ρίσκο σε κατηγορίες όπως τα έπιπλα, όπου οι αγορές σπάνια είναι παρορμητικές. Μόλις ο υφιστάμενος αγοραστής καταλάβει ότι έρχονται τιμές Black Friday, παγώνει τις αγορές σε πλήρη τιμή τις εβδομάδες πριν το event. Έτσι το brand κανιβαλίζει το pre-BF revenue του για να χρηματοδοτήσει το peak του BF. Ο στόχος έπρεπε να επιτευχθεί χωρίς pre-tipping.

Αυτός ο περιορισμός έκανε το Black Friday 2019 πρόβλημα πρόβλεψης εξίσου με πρόβλημα performance. Η Pakketo έπρεπε να γνωρίζει εκ των προτέρων πώς θα κινηθεί η συμπεριφορά στη BF εβδομάδα — όγκος, conversion rate, αλληλεπίδραση μεταξύ κατηγοριών και επίδραση της συγκεκριμένης τιμολογιακής δομής — ώστε budgets, bids και αποθέματα να τοποθετηθούν με μέγιστη απόδοση. Μια προσέγγιση σκέτης εκτέλεσης, χωρίς forecast, είτε θα άφηνε χρήματα στο τραπέζι είτε θα τα έκαιγε σε καμπάνιες με λάθος τιμολόγηση και λάθος ένταση.

Χτίσαμε ένα custom forecasting report σε R Studio με Facebook Prophet ως time-series μοντέλο. Επιλέχθηκε το Prophet γιατί χειρίζεται καλά δύο δυναμικές που είναι κρίσιμες στο Black Friday: υποστηρίζει holiday effects (απότομα spikes ζήτησης δεμένα με γνωστά events του ημερολογίου) και δέχεται user-provided παραμέτρους για παράγοντες που δεν φαίνονται στο ιστορικό — όπως το ακριβές βάθος έκπτωσης που είχε σχεδιαστεί για το BF 2019 ή οι αποφάσεις εσωτερικής τοποθέτησης αποθεμάτων.

Το μοντέλο τροφοδοτήθηκε με δύο χρόνια sales data της Pakketo, με breakdown ανά κατηγορία, συσκευή και audience segment, και στη συνέχεια παρήγαγε προβλέψεις για τα αναμενόμενα patterns ζήτησης σε όλη την εβδομάδα του Black Friday, σε επίπεδο ημέρας και κατηγορίας. Το output δεν ήταν ένας αριθμός, αλλά κατανομή: σενάρια με πιθανοβαρή κατανομή για το πώς θα κινηθούν revenue, traffic και conversion rate, ώρα-ώρα, μέσα στα κρίσιμα παράθυρα του BF.

Από αυτά τα forecasts οδηγήθηκε κάθε επιχειρησιακή απόφαση. Το budget pacing ορίστηκε πάνω στην καμπύλη της αναμενόμενης ζήτησης και όχι σε ίσο ημερήσιο spend. Τα bid strategies ρυθμίστηκαν εκ των προτέρων για τον αναμενόμενο πληθωρισμό του CPC. Τα αποθέματα και τα creatives τοποθετήθηκαν γύρω από κατηγορίες που το μοντέλο έδειχνε ότι θα υπεραποδώσουν. Και το pre-BF communication έμεινε σκόπιμα σιωπηλό ως προς τις τιμές — το forecast έδειχνε ότι ο στόχος ήταν εφικτός χωρίς να προειδοποιηθεί το κοινό.