5 способов увеличить продажи в рознице с помощью продвинутой аналитики (разберём кейсы)

Рассказывает Мария Курдина, менеджер по развитию продвинутой аналитики Axenix.

Аналитика данных позволяет найти системные закономерности в большом массиве информации и интерпретировать их для получения полезных для бизнеса выводов. Описательная аналитика способна выявить проблему и рекомендовать необходимые действия для ее устранения. 

Продвинутая аналитика использует нетривиальную логику обработки данных, определяя причины событий, прогнозируя сценарии развития, подсказывая наилучший вариант реагирования.



В продвинутой аналитике сложные алгоритмы и технологии — машинное обучение, компьютерное зрение, обработка естественного языка (NLP), нейронные сети. Для реализации подобных проектов необходимы специфические компетенции в бизнесе и разработке. Здесь нет готовых универсальных продуктов, применимых в любой компании — условия задачи у каждого бизнеса свои, поэтому и решение во многом будет уникальным. При его разработке можно опираться на подходы и классы решений.

Основываясь на реальных кейсах, покажу возможности подхода для повышения продаж в рознице.

Кейс 1: Оценка эластичности спроса

Коэффициент эластичности показывает зависимость спроса на товар от его цены, а значит, позволяет влиять на продажи с помощью ценовой политики. Это пример сценарного моделирования «что-если».

Проанализировав историю изменения цен и результат продаж можно понять, зависят ли продажи конкретного продукта от цены, и в какой степени. 

Например, в нашей практике был случай, когда спрос на определенный товар в гипермаркетах был эластичен и в значительной степени отражал колебания цены, а в супермаркетах — зависимости практически не было. Таким образом, получили интересный вывод: регулировать продажи этого товара с помощью цены в крупноформатных магазинах можно, а в небольших торговых точках регулярное промо не столь необходимо.

Кроме классификации ассортимента по эластичности (высокая, средняя, низкая) результатом проекта может стать внедрение инструмента для анализа «что-если».  Разработанный нами симулятор рассчитывает показатели продаж и выручки при изменении цены на товар. Важно, что можно посмотреть эффекты в физическом и денежном выражении. 

Например, при определенном снижении цены можно добиться количественного роста продаж, но проиграть в денежном выражении — такая цена просто не будет компенсировать затраты компании. Обладая такой информацией, компания может выстраивать ценовую стратегию и планирование промоактивностей с учетом своих долгосрочных и краткосрочных задач.

Кейс 2: сегментация ассортимента для оптимизации цепочек поставок

Продвинутая аналитика помогает ответить на вопросы: какие товары следует закупать, а какие производить самостоятельно; как планировать товарные запасы; каким способом выгоднее доставлять товары; где их хранить — централизованно или рядом с точками продаж. Для каждой группы товаров ответы на эти вопросы могут отличаться. Поэтому первым делом нужно сегментировать ассортимент, разделив его на несколько групп.

Для анализа ассортимента используются модели машинного обучения, позволяющие выбрать наиболее важные атрибуты для сегментации. Например, в рамках проекта для крупного fashion-ритейлера мы работали с историческими данными о продажах, сведениями о прогнозах продаж и их точности, информацией о затратах на производство и логистику, показателями маржинальности. С помощью кластерного анализа, основанного на машинном обучении, выделили 4 сегмента: товары высокого спроса, товары с высокой маржой, товары с низкой ценой и товары с низкой точностью прогноза. 

Для каждого из сегментов определили свою стратегию поставок. Так, для товаров высокого спроса следует заказывать средние партии и транспортировать их по морю, так как это более дешевый способ доставки, стоит хранить их на локальном складе для оперативного пополнения запасов в магазинах. 

Высокомаржинальные товары лучше заказывать небольшими партиями с производства вблизи страны сбыта, отправлять самолетом для ускорения сроков доставки и использовать региональный склад. Это только некоторые выводы, которые удалось получить в результате проекта.

Корректная сегментация ассортимента позволяет разработать гибкую систему управления цепочками поставок, которая учитывает предпочтения и поведение покупателей. В итоге компания сокращает затраты на логистику и увеличивает продажи благодаря постоянному наличию востребованных позиций в магазине.

---

Читайте также:  Как с помощью сегментации товара по модификациям повысить уровень клиентского сервиса и улучшить экономику предприятия

---

Кейс 3: анализ шоппинг-миссий и связанных покупок

Категорийный анализ ассортимента — обычная практика в ритейле. Однако работа с изолированными категориями не всегда позволяет добиться максимального эффекта. Инструменты продвинутой аналитики помогают анализировать продажи товаров по корзинам с учетом шоппинг-миссий — реальных целей, с которыми покупатель пришел в магазин.

Анализ больших чековых массивов с помощью математической модели позволяет определить, какие товарные категории являются ядром покупки — то есть за чем в действительности покупатель приходит в магазин, а какие позиции в чеке — сопутствующие. И тогда «западение» одной категории может быть следствием снижения продаж другой категории, которая является ядерной.

Например, в магазине снижаются продажи овощей. При комплексном анализе с учетом шоппинг-миссий выясняется, что причиной стал каскадный эффект от перебоев с поставкой птицы. Потому что птица является ядерной позицией, а овощи — докупочной. Используя методы категорийного анализа было бы сложно выявить реальную причину ситуации с овощами.

Анализ шоппинг-миссий помогает предвосхищать следующие покупки. Например, DIY-ритейлер с помощью спецпредложения, точно попадающего в потребность покупателя, может стимулировать его провести весь жизненный цикл ремонта через свой магазин.

Еще одна возможность продвинутой аналитики — изучение связанных покупок (что с чем берут). Полученные данные дают возможность оптимизировать расположение товаров в торговой точке или рекомендательную систему в онлайн-магазине, и соответственно, увеличить объем докупок. Это интересный инструмент в том числе для поставщиков товаров: им тоже важно понимать ключевые пары, чтобы планировать правильные коллаборации и маркетинговые акции, располагать связанные товары рядом на полке. Такой инструмент, к примеру, помогает ответить на вопрос: скидка на какой товар может способствовать росту продаж моего товара? 

Кейс 4: анализ отзывов и сравнение результатов с конкурентами

Анализ отзывов о товарах и услугах — не новый для ритейла инструмент, однако продвинутая аналитика позволяет охватить все доступные каналы, выделить важное, сравнить рейтинг с другими участниками рынка, а значит, быстрее устранять проблемы и работать над конкурентными преимуществами.

В рамках класса решений Voice of customer («Голос покупателя») разрабатывается алгоритм классификации отзывов по тематическим группам (о товаре, обслуживании, магазине в целом). С помощью технологии обработки естественного языка отзывы анализируются, выделяются проблемные области. Полученные результаты можно сравнить с отзывами и рейтингами конкурентов.

Например, fashion-ритейлер выигрывает у конкурентов по всем показателям, кроме обслуживания на кассах. Углубляясь в эту категорию отзывов, можно понять, что люди жалуются на очереди в определенных торговых точках. На основе этой информации разрабатываются варианты решения проблемы для конкретных магазинов.

Кейс 5: оптимизация маркетингового бюджета

MROI (marketing return on investment) — показатель рентабельности инвестиций в маркетинг. Понимая, как маркетинговые активности влияют на продажи и какие каналы наиболее эффективны, можно оптимально распределять бюджеты, оптимизировать их без финансовых потерь, увеличить результативность кампаний. Например, сегодня актуален такой вопрос — как снизить маркетинговый бюджет и сохранить объемы продаж.

При этом инструменты продвинутой аналитики позволяют изучать MROI в разрезе брендов и суббрендов, а также понимать, как продвижение определенного товара влияет на узнаваемость бренда в целом (halo эффект).

Для анализа собираются данные по объему продаж и маркетинговым активностям от компании и медиа-агентств. Очищенные данные проходят многофакторный регрессионный анализ. Полученные результаты позволяют показать зависимость продаж от каждой активности и ложатся в основу сценарного моделирования «что-если» — необходимого для планирования маркетинговых бюджетов и правильного распределения их в различные каналы.

В заключение отмечу, что в проектах по продвинутой аналитике наиболее трудоемким и часто недооцененным процессом является работа с данными. Их нужно собрать, систематизировать, очистить. От полноты и качества данных зависит успех всего проекта. Усилия, затраченные на этом этапе, вернутся в виде нетривиальных инсайтов и отличных бизнес-результатов.

Возможности продвинутой аналитики для розницы не ограничиваются приведенными кейсами. С помощью технологий работы с большими данными и искусственного интеллекта можно найти причины разнообразных проблем, предсказать сценарии развития ситуации и выбрать правильную стратегию действий.

Мария Курдина, 
менеджер по развитию продвинутой аналитики Axenix.

Для New Retail