Ритейл, наряду с банками и телекомом, входит в число лидеров по использованию данных. «Умные» алгоритмы значительно упростили ежедневный труд, ускорили анализ и повысили эффективность.
Но и в традиционном ритейле есть место для принятия data-driven решений: один из примеров — наполнение полки в магазине. «М.Видео-Эльдорадо» дала в руки коммерческих менеджеров инструмент для автоматизированного планирования ассортимента магазинов на основе клиентской аналитики. Дата-продукт дал ощутимый прирост продаж и изменил привычные процессы.
Максим Николаев, руководитель по управлению продуктом «Ассортиментное планирование» в «М.Видео-Эльдорадо», поделился описанием подхода компании. Материал будет полезен тем, кто работает с ассортиментом и ищет способы автоматизации, основанной на данных — коммерческим директорам, руководителям продукта и менеджерам по цифровой трансформации ритейла.
Вы когда-нибудь задумывались, почему на полках магазинов, будь то гипермаркет электроники, гастроном или парфюмерный бутик, вы встречаете конкретный набор товаров?
Ассортимент формируют коммерческие менеджеры. Они решают, какой товар поставить на полку, а какой будет доступен в интернет-магазине, определяют розничные цены и применение скидок. Каждая ошибка чревата потерей продаж, затовариванием складов и снижением лояльности клиентов.
В проекте Dig(IT)al рассказываем о технологиях, которые помогут вам заработать. Переходите на цифровую сторону бизнеса.
Например, ассортимент, доступный на онлайн-площадках «М.Видео» и «Эльдорадо», превышает 160 000 товаров, а стандартные магазины вмещают только 5000-6000 наименований. При этом каждый из 1200 магазинов имеет свои особенности клиентского спроса.
В Хабаровске он не такой, как в Екатеринбурге, и даже в Москве ассортимент в крупном ТЦ и «у дома» отличается. Важно принимать во внимание эти особенности, найти правильный баланс между удовлетворением потребностей клиентов и выполнением бизнес-целей.
Можно ли, просто поменяв три из десяти чайников или телевизоров на полке, увеличить продажи? Если коротко, то — да. Можно ли целиком заменить человека машинным алгоритмом? В области управления ассортиментом, где на самом деле много места для творческого процесса, — скорее нет. Но data-driven подход значительно повышает эффективность и вклад человека думающего и, не побоюсь этого слова, человека-творца.
От продаж к потребностям
Традиционно планирование ассортимента полагалось на экспертизу коммерческих менеджеров, статистику и прогноз продаж, анализ рынка и косвенные источники данных, требующие значительных ресурсов (например, полевые опросы).
Эти факторы собирали в громоздкие и сложно интерпретируемые xls-файлы, которые быстро теряли свою актуальность на фоне увеличения скорости изменений и эволюции потребностей.
Прибыльность каждого товара рассчитывали, исходя из прогноза штучных продаж, умноженных на маржинальность одной единицы. Далее товары ранжировались, на полку попадали топовые модели из списка и наиболее подходящие по мнению коммерческих менеджеров.
Это вроде простой и понятный подход: бери топ продаж и лучшие по цене предложения и успевай подвозить — но именно здесь и находится скрытая угроза — не уловив тенденции в изменении потребления, можно войти в петлю невозвратных потерь продаж и ухода клиента к более прогрессивному конкуренту.
За последние пять лет объем рынка электроники вырос на порядок. Технологии появляются и сменяют друг друга очень быстро, ежегодно выпускаются сотни новинок.
Меняется и облик ритейла, развиваются новые форматы (крупные шоу-румы и experience-центры, мини-склады у дома, дарк-сторы, маркетплейсы), расширяется география. В условиях такой конкуренции выиграет тот, кто делает старые процессы более эффективными, ищет способы автоматизации, чтобы сосредоточить ресурсы на стратегическом развитии и создании дополнительной ценности для клиентов.
Решая задачу формирования ассортимента в рознице, мы обратились к большому массиву данных, собранных онлайн.
Потребность в товаре появляется раньше, чем клиент приходит в магазин, более 85% наших клиентов используют мобильную платформу для выбора и покупки техники. Поэтому анализ клиентских сессий, совместных просмотров и сравнений товаров помог нам выявить основные потребности клиентов.
Их можно оперативно закрыть, формируя на их основе ассортимент каждой товарной категории в магазине. Этот метод универсален и применим к самым разным форматам ритейла.
Формула идеального ассортимента
Предположим, что в ограниченном пространстве магазина есть место для размещения лишь двух товаров. Пусть это будут телевизоры. Третий и последующие туда просто не поместятся. Клиенты могут увидеть товар, выставленный на полке, потрогать, определиться с выбором. Возникает вопрос, какие два телевизора из десятков или сотен, доступных онлайн, поставить на полку?
Согласно статистике прошлых продаж, у нас популярны две модели ТВ. У них одинаковая диагональ, схожий по характеристикам экран и набор функций. Оба товара помещаются на полку. При этом у нас есть третья модель, которая продается несколько хуже, причём необязательно в количественном выражении.
У этого товара, к примеру, может быть более низкая маржинальность. Следуя вышеописанному алгоритму, третья модель не встанет на полку. Но что, если два первых телевизора хоть и хорошо продаются, но пользуются спросом у одной и той же группы покупателей, а тот третий относится к совершенно другим потребностям и другой группе покупателей?
Получается, что, не выставив третий телевизор, мы игнорируем спрос клиентов с менее распространенными потребностями. Как итог — лишаемся продаж и новых покупателей.
Но как понять, что товары закрывают одну и ту же потребность? Возможно ли автоматизировать этот процесс и облегчить работу категорийных менеджеров? Ответ стоит искать в «больших данных» и цифровизации коммерческих процессов.
Для себя мы вывели такую формулу: исследованная потребность клиента + лучший вариант ее удовлетворения за счет товарного предложения = «умный» ассортимент, построенный на данных.
Анализ пользовательских сессий на сайте позволяет нам выявить потребности аудитории, «прогнать» через рекомендательный алгоритм модели, учитывающие их, целевые бизнес-показатели (оборот, маржа, количество чеков) и уникальность товара, и на выходе получить список моделей, рекомендуемый к размещению в конкретной торговой точке.
Причем с учетом особенностей спроса в каждом из 1200 магазинов. А еще мы можем повторять эту операцию хоть каждый день, чтобы ловить зарождающиеся и угасающие тренды.
По результатам пилота на нескольких категориях мы увидели рост продаж до 3% и перешли к масштабированию.
Машина не заменит человека, но сделает его сильнее
Основным инструментом формирования ассортимента является дерево клиентских потребностей — CDT (Customer Decision Tree). Оно представляет собой визуализацию кластеризации товаров.
Товары разбивают на группы на основе анализа пользовательских сессий на сайте — мы понимаем, какие товары клиенты смотрят совместно, а какие — нет. Интерпретация самих потребностей дело вторичное.
Важно знать, относится какая-то пара товаров к одной или к разным потребностям. Если товары закрывают одну потребность, то попарно определяется наиболее востребованный из них, как в нашем примере про телевизоры.
Чтобы разделить товары по потребностям надо определить степень (или меру) близости товаров. Сделать это можно тремя способами: на основе покупок, на основе свойств товара или на основе данных о совместных онлайн-просмотрах или сравнениях. Каждый из методов имеет свои преимущества и недостатки.
Мера близости товаров на основе покупок
Если клиент за какой-то период покупает разные товары из одной категории, то, скорее всего, эти товары для него равнозначны. Если похожее поведение будет найдено у большого числа клиентов, то такие товары явно будут закрывать единую потребность.
Этот подход трудно использовать при продаже электроники и дорогих товаров, но он отлично подходит продуктовому ритейлеру, где цикл потребления короткий, а частота покупок высокая.
Мера близости товаров на основе свойств самих товаров
В нашем примере телевизоры с одинаковой диагональю, одинаковым типом матрицы и схожей ценой, с высокой степенью вероятности, закрывают близкие потребности. При этом можно учитывать дополнительные свойства, например, цвет корпуса, ширина рамки и т.д. Чем больше совпадений, тем ближе товары друг другу с точки зрения закрытия одной потребности.
Наш опыт говорит, что этот подход не может быть точным из-за субъективности поведения покупателей: у людей разный вкус, свои предубеждения. Кроме того, велико воздействие рекламных и маркетинговых активностей, мотивирующих к покупке.
Мера близости товаров на основе совместных просмотров продуктов в интернете
К этому относятся интернет-магазин, запросы в поиске и т.п. Если клиент просматривает несколько товаров из одной категории в рамках одной сессии, то с высокой степенью вероятности эти товары для него очень близки, особенно в рамках одной сессии на сайте.
Если подобным поведением отличаются и другие пользователи, между этими товарами точно есть что-то общее.
Минусом этого подхода является зависимость просмотров от поисковой выдачи. А выдача зависит от множества факторов: популярность товара (по продажам), промо и т.п. С этим стоит считаться.
Для оценки близости на основе просмотров требуется построить метрику между парами товаров, которая описывает логику «чем больше совместных просмотров, тем меньше расстояние между товарами».
Основанная на этих данных аналитика поможет также принять решение о запуске одних товаров и выводе с полки других. CDT может сигнализировать, что определенная потребность начинает угасать.
К примеру, месяц назад пользователи хотели покупать компьютерные мыши с подсветкой, а сегодня — уже нет. В результате менеджер может деприоритизировать эту товарную группу в рамках построения ассортимента и ввести вместо нее новые товарные позиции, которые становятся востребованными.
Итак, мы определили потребности, второй шаг — удовлетворить их. Эту задачу выполняет «Оптимизатор» — рекомендательный сервис, в котором учитываются целевые KPI бизнеса, размер полки магазина (ограниченный, конечно) или емкость товарной зоны и степень уникальности товаров, которую мы тоже берем из CDT.
Оптимизатор выдает коммерсантам рекомендацию в форме списка артикулов для каждого типа магазина. В этой матрице строки – артикулы, а в столбцы — группы магазинов. В значениях отображается факт назначения артикула в тот или иной кластер.
Рекомендация доступна для редактирования. К примеру, если есть специальные договоренности с поставщиками, товар выходит из оборота или закончились запасы на складах. Эти факторы пока не учитываются «Оптимизатором», но могут быть приняты во внимание менеджером, который осуществит корректировку.
Меньше рутины — больше стратегии
Сейчас ассортимент, спланированный категорийным менеджером на основе data-driven подхода, формирует около трех четвертей оборота «М.Видео-Эльдорадо». Принятие автоматических рекомендаций по формированию ассортименту пока находится на уровне 72%.
Мы планируем дальше повышать точность планирования и уровень принятия рекомендаций за счет развития нового функционала, например, интеграции с данными поставщиков по наличию товара, графику поставок и выходу ожидаемых новинок.
Крупные ритейлеры бьются над тем, чтобы изменить традиционную роль коммерческого менеджера.
Вместо работы с неструктурированными данными и рутинными операциями мы стремимся освободить ресурсы на более сложные и творческие задачи, которые крайне актуальны в условиях современных скоростей изменения рынка и ожиданий потребителей, например, работу с категорийной стратегией, переговоры с поставщиками или проработку линейки СТМ.
Нашли опечатку? Выделите текст и нажмите Ctrl + Enter