0/5
Подпишитесь на новости ритейла

Я ознакомлен с политикой конфиденциальности и принимаю её условия

Полный магазин, а популярного размера нет? Как крупный fashion ритейлер оптимизировал работу с ассортиментом

Полный магазин, а популярного размера нет? Как крупный fashion ритейлер оптимизировал работу с ассортиментом
Как распределить товары так, чтобы они продавались быстро и без остатка – головную боль руководства любых торговых сетей сегодня лечат алгоритмы работы с Big Data. О том, как можно оптимизировать товарные запасы в магазинах, поговорим на примере реализованного кейса крупной российской fashion сети.

Полный магазин, а популярного размера нет? Как крупный fashion ритейлер оптимизировал работу с ассортиментомНа фото: Шляпнев Максим Валерьевич, директор по консалтингу IT Pro.

Сегодня Big Data перестает быть прерогативой IT-компаний и крупных корпораций, бизнес доверяет рекомендациям на основе анализа больших данных  всё больше. 

Перейти от принятия решений на основе интуиции к управлению на основе данных позволяет аналитика, построенная на специальных технологических платформах. Ритейлу, с его бесконечными матрицами артикулов, которые невозможно оптимизировать вручную, новые подходы особенно интересны.


Ценный объём

Для управления ассортиментом в ритейле традиционно используются инструменты учётных систем, наиболее распространённая из них – 1С. Но с анализом постоянно растущих объёмов данных они уже попросту не справляются. 

Малый и средний бизнес ещё могут обойтись простыми подходами и ручным трудом товароведов. А если объём анализируемых данных исчисляется миллионами строк, если они приходят из множества плохо связанных систем, если нужно бухгалтерский учёт трансформировать в управленческий, а сверху ещё добавить специфические алгоритмы анализа? Тут уже нужны сложные технологические решения и современные возможности систем управления базами данных. 

Но, как правило, такие инструменты либо встроены в дорогие программные продукты иностранного производства, которые не по карману отечественному среднему бизнесу, либо внедряются очень долго и не всегда результативно. 

Аналитическое решение BI.Qube от российского разработчика IT Pro обойдётся в десятки раз дешевле и будет внедрено в считанные месяцы.




Читайте также: Искусственный интеллект в работе с товарными запасами и несколько кейсов из экспериментального ритейла




Остатки сладки

В том, как эти технологии применимы в ритейле, разбиралась компания FiNN FLARE, внедрившая функциональный блок «Автомежмаг» в составе аналитики BI.Qube

Система помогает оптимизировать товарные запасы в магазинах и салонах сети таким образом, чтобы поддерживать полноту ассортимента в торговых точках и соответствовать объёму спроса, что, в конечном счёте, даёт рост трафика и выручки. Вычислив скорость продаж, «Автомежмаг» прогнозирует риски появления излишков, подсчитывает дефицит остатка, и определяет, сколько товара и каким образом нужно переместить, чтобы привести систему к оптимальному состоянию – удовлетворить потребности в одной точке за счёт излишков другой. 
В ручном режиме даже самый продвинутый товаровед физически не может оперировать миллиардами комбинаций. Тот объём данных, который несколько человек обсчитывали бы две недели, обрабатывается за несколько секунд.

При этом если излишков много, а потребностей мало, то для каждой потребности товар будет изъят из той точки, где, по оценке, перспективы продажи этого товара ниже. Если излишков мало и нет возможности удовлетворить все потребности, то в первую очередь будут удовлетворены те, которые, с точки зрения скорости продаж, принесут больше денег. 

Также BI.Qube помогает решить специфическую проблему fashion-ритейла – избавиться от «хвостов», перемещая невостребованные крайние размеры распроданной коллекции туда, где собрана полная цветомодельная матрица и ещё будет спрос. 

Чтобы оценить производительность рекомендательной системы, тестировали оптимизацию всего ассортимента FiNN FLARE между всеми магазинами Москвы. При соотношении «все со всеми», сложилась матрица размерностью 173 тысячи единиц излишков на 40 тысяч потребностей, или 7 миллиардов комбинаций перемещения. 

Полный магазин, а популярного размера нет? Как крупный fashion ритейлер оптимизировал работу с ассортиментом

В ручном режиме даже самый продвинутый товаровед физически не может оперировать миллиардами комбинаций. Тот объём данных, который несколько человек обсчитывали бы две недели, обрабатывается за несколько секунд. Распределение всего ассортимента, с учётом тонкой настройки, возможно, буквально, в три клика. Пользователи в режиме реального времени могут взять несколько магазинов и получить рекомендации по перемещению остатков между ними. А у товароведов остаётся больше времени на непосредственную работу с ассортиментом магазина. 

Более точное перемещение товаров помогает улучшить развеску в магазинах и полнее удовлетворять клиентский спрос за счёт постоянного наполнения размерной сетки. Продавцу удаётся избежать ситуаций, когда покупатель выбрал вещь и хочет её купить, но на полке остался только неподходящий размер. Убывающие позиции перестают задерживаться в торговом зале, ускоренное обновление ассортимента повышает посещаемость и спрос. Точный прогноз скорости продаж уменьшает потребность в перевозках и со временем сокращает затраты на перемещение товаров. 
По оценкам FiNN FLARE, эффект внедрения аналитического решения уже дал рост выручки на 3-4% в масштабах сети по всей России.

«Автомежмаг» это конструктор, комбинируя инструменты которого можно оптимизировать бизнес-процесс с любой точностью и глубиной – оперировать не скоростью продаж, а наценкой, оптимизировать не поддержание цветоразмерных матриц, а максимизацию прибыли, учитывать издержки на логистику, прогнозировать спрос для автоматизации заказа новых коллекций. 

По оценкам FiNN FLARE, эффект внедрения аналитического решения уже дал рост выручки на 3-4% в масштабах сети по всей России.

Полный магазин, а популярного размера нет? Как крупный fashion ритейлер оптимизировал работу с ассортиментом


Облако экспертизы

Как отмечают заказчики продукта BI.Qube, многокритериальная оптимизация запасов в реальном времени не имеет аналогов в России – во всяком случае, по доступной для среднего бизнеса цене и скорости внедрения. 

Точный и оперативный анализ необходим не только в ритейле. Нефтегаз, логистика, промышленное производство, добыча и переработка полезных ископаемых, финансы и страхование – методы оптимизации выбираются исходя из особенностей ассортимента и стратегии продаж, гибкий инструментарий настраивается под любые коммерческие задачи. 

Аналитические инструменты BI.Qube не продаются «коробкой» – они подбираются из наработанной практики и адаптируются индивидуально для каждого клиента. Чем сложнее структура бизнеса, поставщиков, клиентов, продуктового каталога, чем больше данных, чем изменчивее внешняя среда – тем выше потребность в использовании аналитических систем. 

Управлять товарными запасами, продажами, маржинальностью, прогнозировать выручку на каждый день и для каждого подразделения – продукт и команда разработчиков учитывают бизнес-логику и требования конкретного заказчика. 
Аналитические инструменты BI.Qube не продаются «коробкой» – они подбираются из наработанной практики и адаптируются индивидуально для каждого клиента.

Система работает на платформе Microsoft, аналитическое решение может быть развёрнуто как на собственном оборудовании заказчика, так и в облачной среде Microsoft Azure – на сегодня это самая быстрая, безопасная и надёжная облачная платформа корпоративного уровня. Возможности облака полностью перекраивают экономику внедрения – нет необходимости разворачивать и поддерживать дополнительную IT-инфраструктуру, в случае пиковых загрузок нужные мощности подключаются по требованию. Данные из облака доступны где и когда угодно, конечный бизнес-пользователь открывает на своём устройстве удобный визуальный интерфейс – и получает полную и наглядную картину всех показателей.

Скорость реакции на изменения покупательских предпочтений была и остаётся критическим параметром развития. Своевременно выявлять тренды, прогнозировать продажи и автоматизировать закупки, снижать риски в режиме реального времени – в нюансах управления корпоративными данными скрыт огромный потенциал роста конкурентоспособности бизнеса. 

Инструменты BI.Qube для качественного анализа данных помогут вывести бизнес на новый уровень.

Узнайте подробнее о BI.Qube: https://is.gd/AtQBoS

Шляпнев Максим Валерьевич, 
директор по консалтингу IT Pro.
Эксперт в области управления проектами, бизнес-требованиями, разработке ТЗ.


время публикации: 10:00  19 июня 2019 года
0
Теги: big data, кейсы

Комментарии (0)


Чтобы оставить комментарий, Вам необходимо авторизоваться:  
МД Аудит - 1
iWENGO Погружение в E-commerce