Аналитика больших данных поможет исполнить желания локальных покупателей

Чтобы достичь максимальных результатов от локализации предложения на базе аналитики больших данных, следует учитывать весь ассортимент и элементы предложения, а не только самые значимые товары для ритейлера. В статье Александра Михасева, руководителя бизнес-практики по работе с ритейлом SAS Россия/СНГ, представлены основные элементы локализации и подходы в анализе данных, способствующие их улучшению.
Руководитель бизнес-практики по работе с ритейлом SAS Россия/СНГ
Александр Михасев
В условиях, когда люди могут приобрести все, что угодно, онлайн, традиционные розничные игроки должны максимально упростить покупателям поиск товаров в офлайн-точках. Это становится особенно актуально в постCOVID-эпоху, для которой характерны новые паттерны покупательского поведения: теперь люди стараются как можно реже посещать магазины и не задерживаются там надолго.

Более глубокий анализ данных с помощью специализированных инструментов поможет улучшить дизайн торгового пространства, планограммы, ассортиментные матрицы и другие элементы локализации предложения.

Розничные компании — не новички в анализе данных. Магазины имеют большую историю использования различных данных, например, из программ лояльности или чеков, чтобы принимать решения о том, какие товары следует добавить в ассортимент, какую цену на них установить и как их продвигать. Однако, обладая большими объемами информации, компании зачастую не имеют возможности грамотно их анализировать и ограничиваются несколькими отдельными проектами, результаты которых сложно использовать для принятия эффективных решений.

Чтобы оставаться конкурентоспособными, ритейлеры должны выстроить прозрачный регламентный, то есть повторяющийся с заданной периодичностью, процесс анализа данных с применением продвинутых алгоритмов и методологий. При этом неважно, сама ли компания разрабатывает аналитическую систему или использует готовый продукт или сервис.
Результаты этих усилий будут заметны сразу — отдача от метра торгового пространства повысится многократно. Реализованные проекты и успешные кейсы на рынке демонстрируют потенциал увеличения выручки на 2−5% и валовой маржинальности на 0,5−2% от проектов по локализации предложения.

Переход к парадигме локализации на базе анализа больших данных может быть непростым и требует принятия соответствующей стратегии и вовлеченности на уровне руководства компании. Также необходимо собрать кросс-функциональную проектную команду из представителей всех основных подразделений: коммерция, маркетинг, операционная деятельность, логистика, ИТ. Перед тем как развертывать решения глобально на всю компанию, стоит провести короткие пилоты, которые быстро и убедительно покажут хороший результат.
Как анализ больших данных помогает локализации предложения

Чтобы достичь максимальных результатов от локализации предложения на базе аналитики больших данных, следует учитывать весь ассортимент и элементы предложения, а не только самые значимые товары для ритейлера.

Ниже представлены основные элементы локализации и подходы в анализе данных, которые могут их улучшить.

Торговое пространство. Ритейлеры должны определить, какую площадь выделить для разных товарных категорий, чтобы максимизировать отдачу от каждого квадратного метра магазина. Традиционно используется подход пропорционального распределения площади на основании истории продаж. Чтобы усовершенствовать такой метод, ритейлеры должны использовать маржинальный подход, когда категории сравниваются между собой относительно того, где будет больше доход от дополнительной торговой площади с учётом особенностей локального спроса. Для этого надо провести кластеризацию магазинов по спросу для выявления схожих шаблонов поведения покупателей на уровне всех товарных категорий. Кроме кластеризации по спросу, можно анализировать на локальном уровне ассоциативные связи между категориями и уровень затрат на логистику и операции.
Ассортимент. Для формирования ассортимента, который максимально удовлетворяет локальный спрос, необходимо понимать особенности принятия решения о покупке в каждой конкретной категории. Для этого используется так называемое дерево принятия решения (ДПР) о покупке. Существуют аналитические подходы построения ДПР на основе анализа чековых данных и данных программы лояльности. Для уточнения полученных результатов используется экспертиза категорийных менеджеров и дополнительные маркетинговые инструменты, такие как опросы покупателей и агрегированные рыночные данные.
После того как определены ДПР, необходимо провести кластеризацию по спросу внутри каждой категории в рамках ключевых товарных атрибутов, формирующих ДПР. Это помогает понять особенности локального спроса внутри конкретных товарных категорий для формирования структуры ассортимента, наиболее точно отражающей локальные потребности.
Для понимания ширины ассортимента в рамках зафиксированной структуры надо провести анализ насыщения спроса, который основан на маржинальном подходе. В этом случае анализируется дополнительный доход от каждого нового товара в рамках категории и определяется точка насыщения, когда этот товар практически не генерирует дополнительной прибыли.
Финальный шаг оптимизации локального ассортимента заключается в определении составного индекса эффективности для каждой категории в зависимости от категорийной стратегии (например, максимизации выручки, маржи или какой-то комбинации финансовых метрик) и оптимизации суммарного индекса эффективности с учётом определенных бизнес-ограничений (мерчандайзинг, договоренности с поставщиками, линейки товаров и пр.) и физических ограничений (ширина ассортимента, физические размеры торгового оборудования). При формировании индекса эффективности полезно учитывать вклад конкретного товара в покупательскую корзину. Ведь часто бывают товары, которые сами по себе продаются в небольшом количестве, но являются драйверами больших по сумме покупательских корзин, и если мы уберём эти товары из ассортимента, то рискуем сильно просесть в продажах.

Расположение товарных категорий и продуктов
. Анализ зависимости продаж отдельных товаров или целых категорий от их расположения может выявить дополнительные точки роста продаж. Полный анализ подобных зависимостей — сложная аналитическая задача. Решение ее можно начать с поиска наиболее сильных влияний. Подобный анализ также поможет определить, каким категориям предоставить наилучшие места в магазине с точки зрения трафика и видимости для покупателей.

Дополнительные элементы локализации. Используя анализ больших данных, можно улучшить и другие элементы локализации предложения: дизайн магазинов, регулярные цены и массовое промо.

Используя количественные маркетинговые исследования клиентского опыта, а также понимая реакцию покупателей из разных сегментов, можно принимать объективные решения об изменениях тех или иных элементов дизайна магазинов. Также можно использовать данные программы лояльности, чтобы узнать мнение наиболее преданных покупателей.

Если компания стратегически и в рамках законодательства может использовать тактику ценовой дифференциации, то аналитика на основании социально-демографических данных поможет выстроить группы магазинов, похожие с точки зрения конкурентного окружения и готовности покупателя платить больше. Причём это необходимо делать в рамках каждой отдельной категории, так как уровень конкурентного окружения может существенно варьироваться от категории к категории. Получившиеся группы магазинов можно использовать для определения диапазонов ценового индекса в рамках стратегии конкурентного ценообразования. Для маржинальных товаров аналитика помогает определить локальные индексы эластичности спроса по цене для возможности проведения оптимизации цен с целью максимизации выбранных финансовых показателей.
Многие компании вводят отдельные слоты для локальных промо, которые управляются региональными командами. В этом случае анализ локальной реакции на промокампании поможет улучшить качество промонаполнения в будущем.
Комплексный подход к локализации, основанный на аналитике больших данных, может существенно улучшить опыт покупателей и, как следствие, повысить их лояльность.
Построение стратегии локализации, основанной на данных

Несмотря на очевидные преимущества от локализации предложения, многие компании с одной стороны не собирают систематически необходимые данные, такие как история промо или планограмм, с другой – не обладают необходимыми инструментами и компетенциями для анализа и получения ценной информации из всего массива доступных данных. Преимущества от использования стратегии локализации можно получить, если приобрести или разработать информационные системы в соответствии с их специфичными требованиями и ограничениями. А чтобы создать полностью кастомизированный сервис, необходимо сотрудничать со сторонними вендорами.

И даже наличие соответствующих инструментов не гарантирует достижения желаемого результата. Необходимо, чтобы вся компания была настроена на изменение и использование аналитики для поддержки принятия решений в рамках основных бизнес-процессов. Это предполагает соответствующую организационную подготовку и внедрение поддерживающих бизнес-процессов.

Как показывает практика, те компании, которые придерживаются перечисленных ниже принципов, наиболее успешны во внедрении стратегии локализации на базе аналитики:
  • Использовать концепцию аналитических спринтов. Быстрая разработка и тестирование прототипов для получения быстрых результатов и понимания, что работает, а что – нет. Каждый спринт – это одна небольшая задача.
  • Внедрить принципы локализации на базе аналитики в операционные процессы. Менеджеры должны принимать решения, основываясь на данных и аналитике в течение всего года в рамках операционных процессов, а не только во время годового планирования и пересмотра категорий. Это предполагает, что инструменты локализации не должны усложнять операции и бизнес-процессы.
  • Быть последовательными. Независимо от того, какие данные и инструменты используются для принятия решений по локализации в рамках различных категорий или отделов коммерческого блока, результаты, которые видят покупатели в магазине, должны быть согласованы и нести целостный покупательский опыт.
  • Комбинировать все доступные источники информации. Совместное использование при анализе различных источников данных – чеков, программы лояльности, онлайн-канала, маркетинговых исследований – может обеспечить дополнительное понимание, недоступное при анализе только одного типа данных.
  • Не забывать про принцип «мусор на входе, мусор на выходе». Решения, построенные на данных, ничего не стоят, если они основаны на некорректных и неполных данных. Первый шаг в любом аналитическом проекте – это анализ входных данных и, возможно, дополнительное обогащение и корректировка как самих данных, так и процессов, связанных с получением и хранением информации.
  • Понимание баланса между ценностью результата и сложностью его получения. Аналитики могут предлагать сложные методики и инструменты, но зачастую гораздо более простые подходы могут обеспечить хорошие результаты при том, что они будут проще как во внедрении, так и в освоении бизнес-пользователями. Поэтому всегда необходимо помнить о балансе между возможным результатом и сложностью его получения и внедрения в бизнес.

Всё возрастающее давление со стороны онлайн и существенно меняющиеся шаблоны поведения покупателей в постCOVID-период снижают маржинальность традиционного ритейла. Это значит, что он в свою очередь должен получить максимум прибыли из каждого метра торговой площади, которая есть в его распоряжении. Один из способов это сделать – использовать анализ больших данных для лучшего понимания своих покупателей и их предпочтений. Ведь только так можно вовремя дать им именно то, что они хотят в удобном им месте и в удобное им время. Для этого компании должны переходить к стратегии локализации предложения за счёт внедрения аналитических инструментов и поддерживающих организационных и процессных изменений. Компании-первопроходцы этого движения будут новыми лидерами рынка и смогут с уверенностью смотреть в будущее.
Контакты