Запрет возврата товаров поставщикам: ритейлеров спасет тотальное прогнозирование

Дмитрий Ларин: Пока условия работы диктует ритейлер. И закон, конечно, направлен на то, чтобы защитить производителей, снизив их риски. Не секрет, что за последние годы возвратов поставщикам стало больше. Объемы зависят от региона. В категории «Хлебобулочные изделия» возвращают до 50% товара, в категории «Мясо и колбасные изделия» – до 30%. По факту получается, что интересы торговца соблюдаются в ущерб интересам производителей. Новый закон заставит ритейлеров пересмотреть контракты и перейти к новой стадии развития, на которой конкретный риск придется нести самим ТСП, а также ответственно подходить к реализации товаров. 

Сейчас, даже если мерчандайзеры задвинули сметану в дальний угол нижней полки, где ее заведомо никто не найдет, потери в большинстве случаев понесет производитель. После вступления закона в силу ритейлер либо сам понесет потери, либо сделает все, чтобы продать эту сметану. Или же пойдет на смену ассортимента, продажу «долгоиграющих» продуктов и отпугнет этим поборников ЗОЖ и ПП. В любом случае будет некоторое смягчение для поставщиков, но важную роль в этом процессе сыграет человеческий фактор. Первое время перемены будут болезненными для ритейлеров, но рыночные механизмы выровняют ситуацию.

Дмитрий Ларин: Что касается цен, я бы больше волновался об их росте в связи с увеличением НДС. Еще они могут вырасти, так как в маленьких закупочных партиях единица продукции стоит дороже. 

Основным аргументом ритейлеров против этого закона было, что полки станут пустыми, иначе им придется списывать просроченный товар и нести убытки. Давайте рассуждать логически. Что  выберут торговцы: 100 йогуртов с отпускной ценой в 20 рублей за 1 штуку или 50 йогуртов в партии, но по 22 рубля? Во втором случае продавец защищен: повышенную цену все равно заплатит клиент. Сам же магазин почти гарантированно продаст товары. Но вот хватит ли их в этом случае на всех покупателей – большой вопрос. Кто-то придет уже к пустым полкам и будет вынужден взять другой йогурт или пойти в другой магазин. В случае с такими мини-партиями скидок тоже станет меньше. Вы когда-нибудь видели скидки в маленьких несетевых магазинчиках, которые продают в сутки 20 батонов и 10 пакетов молока, чуть дороже, зато близко к дому и свежие?

Что касается ассортимента, вырастет доля товаров с длительным сроком хранения. Покупатель будет стоять перед выбором – искать и ловить привычные товары или переходить на марки, в составе продукции которых больше консервантов, стабилизаторов, антиокислителей и других веществ , продлевающих срок хранения.

Дмитрий Ларин: Логичный, разумный, а главное современный вариант – это взвешенно подходить к прогнозированию спроса, запасов, планированию  закупок. Для этого нужно правильно подготавливать и анализировать накопленные данные. Устаревший вариант –  менять логистическую цепочку, создавать новые распределительные центры, делать заказы сразу на группу магазинов. Однако еще нужно выяснить, каким будет экономический эффект от таких перемен. Не исключено, что перестройки в логистике обойдутся дороже, чем отдача.

Дмитрий Ларин: Предиктивная аналитика позволяет лучше понимать потребности клиентов и предсказывать их поведение. Понимая, каким будет спрос на разные продукты, ритейлер может формировать ассортимент и план закупок, и объемы поставок. Плюс – проводить гибкое ценообразование, планировать промо-мероприятия. 

Если разбирать детально, то для прогнозирования спроса используются такие методы предиктивной аналитики, как алгоритмы временных рядов. Для построения прогноза на длительный период , например, на год, задействуется метод Хольта-Винтерса (если есть сложившийся тренд и сезонность, а также данные за предыдущие 2-3 года). Метод скользящей средней позволяет исключить случайные колебания при экстраполяции общих данных, а для прогнозирования объема сезонных продаж обычно прибегают к аддитивной модели. Эти алгоритмы определяют шаблоны поведения покупателя и предоставляют компании в ежедневном режиме информацию, позволяющую прогнозировать спрос на продукцию.  

Ассоциативные алгоритмы выстраивают модели next best buy, которые также позволяют прогнозировать спрос на товар. Они помогают рассчитать, какую покупку клиент сделает следующей, учитывая его предыдущий заказ. Эти данные используют при формировании индивидуальных маркетинговых предложений и настройке интернет-рекламы. 

Приведу пример. В 2016 году компания Nestle решила обратиться к инструментам предиктивной аналитики для планирования спроса, чтобы повысить эффективность прогнозирования продаж кофейных капсул на основе анализа данных. Ежемесячно составлялись прогнозы объему общей выручки и по отдельным товарам. При этом горизонт прогнозирования охватывал 18 месяцев – компания вела расчеты на полтора года вперед, но каждый месяц вносила коррективы с учетом важнейших прогностических показателей. 

Использовали как исторические данные о продажах, так и временные факторы: влияние маркетинговых акций, сезонность, информация о клиентах, количество магазинов и работающих там специалистов по продажам. В результате экспертам по предиктивной аналитике удалось сформировать систему для четкого поиска моделей минимизации числа ошибок в прогнозе. Так, удалось исключить нереалистичные модели и те, которые не подходили для использования – в том числе модель равномерного прогнозирования, учитывающую постоянную константу значений каждый месяц. Опыт Nestle демонстрирует, что именно такой подход позволяет составлять тщательные и точные прогнозы и выстраивать рыночную стратегию с учетом полученных данных.