Что такое «задачи оптимизации», и как их применять в ритейле?
время публикации: 10:00 03 июля 2024 года
@Freepic
Рассказывает Елизавета Ощепкова, генеральный директор кластера ITSIBERIA.
В интервью для В2В-портала New Retail одной из тем для обсуждения стал новый класс задач – задачи оптимизации. Основой для их появления послужили блоки исследований, которые относительно недавно были выделены в прикладной математике. Это так называемые «методы принятия решений» и «исследования операций», которые сформировались из прикладных задач производства, логистики, работы с ассортиментом и многих других. Пул задач оказался настолько огромным, что научное сообщество выделило два отдельных направления по изучению такого рода запросов.
Важно «на берегу» пояснить, что принципиальное отличие задач оптимизации – их комплексность, большое количество факторов и переменных, что делает невозможным применение в работе с ними стандартных, а тем более коробочных ИТ-решений. Так, оптимизация ассортимента – это не узкая проблема повышения эффективности полки, поиска баланса новинок к базовой матрице или анализа спроса. Это комплекс факторов, параметров товаров, особых для каждого игрока, с краткосрочными и долгосрочными задачами, и их решение лежит не в области ИТ, а в виде отдельных проектов с применением математических знаний.
Давайте разберем несколько практических бизнес-задач, которые сотрудники кластера ITSIBERIA решали «руками», применяя математический подход, каких результатов удалось добиться и в принципе, в каких случаях розничному бизнесу имеет смысл обращаться к науке.
Дано: достаточно крупный ритейлер в сегменте FMCG, лидер локального рынка. Ассортиментная матрица, на первый взгляд, сформирована сбалансированно, присутствует необходимое разнообразие товаров с разными потребительскими свойствами, ценовое ранжирование. Однако, при более детальном изучении каждой категории и ассортимента в целом пришло понимание, что обилие повторяющихся позиций (товаров со схожими свойствами и параметрами) от разных производителей приводят к снижению продаж. Например, около полутора десятков видов вареной колбасы.
Решение: Было решено проработать качественно каждую из подгрупп существующей матрицы и разобраться с «тяжелыми» весами, оказывающими негативное влияние на продажи и валовый доход (ВД).
Ход решения: аналитики ITSIBERIA провели глубокий анализ ассортиментной матрицы, вывели лишние позиции, сформировали новые квоты. В результате категории, с которыми была проведена корректировка, показали рост процента маржинальности до 0.6%. И важно еще раз отметить, что это рост на существующем ассортименте, без ввода новинок.
Для решения задачи не были привлечены ИТ-ресурсы, однако даже при всецело «ручном» подходе мы говорим о внедренной вручную «модели оптимизации». При грамотном системном подходе такую ревизию ассортимента нужно проводить регулярно, переведя в будущем модель в непростой, но автоматизированный подход, учитывающий прежние факторы, а также способный интегрировать в расчеты новые параметры.
Таблица 1 - финансовая эффективность, человеческий фактор, трудозатраты, денежные потери в случае невыполнения задачи.
Дано: Эта задача особенно актуальна в условиях развития формата дискаунтера, а также различных мини-форматов, главной особенностью которых является небольшая ассортиментная матрица, буквально, самые необходимые товары и продукты. Если в дискаунтерах обновление ассортимента носит сезонный характер, то в компактных форматах корректировка матрицы – постоянный процесс, ведь места на полках мало и каждая позиция должна отрабатывать на 100%.
Решение: используя математические алгоритмы, была проведена работа по оптимальному сочетанию товаров с разными или схожими потребительскими свойствами, предложений производителей и целевых финансовых показателей. В результате с нуля была сформирована ассортиментная матрица с ограниченной представленностью товаров в категориях, которая в первые недели продаж показала рост товарооборота в штуках LFL +30%, а в рублях не менее 22%.
Дополнительные «бонусы» – рост маржинальности бизнеса и значительное снижение затрат на отработку ошибок, которые неизбежны при традиционном рутинном подходе к обеспечению ассортимента без использования четких математических алгоритмов.
В данном случае польза задач оптимизации состоит в том, чтобы на небольших группах с учётом свойств и целевых показателей на регулярной основе создавать сбалансированный ассортимент и повышать прибыльность торговой точки.
Таблица 2:
Дано: Часть ассортимента любой торговой точки (даже дискаунтера) составляют продукты крупного производителя, который является лидером в категории. Такие производители осознают важность наличия их бренда в матрице ритейлера и нередко создают проблемы коммерческому директору и компании в целом.
Проблемы заключаются в своеобразном диктаторстве и «тиранстве», в рамках которых поставщик диктует свои правила и создает условия для конфликтного переговорного процесса. Место на полке, ценовые условия, особые маркетинговые и прочие мероприятия, – условий может быть много, и может казаться, что вариантов для маневра нет. Однако работать с такими «тиранирующими» поставщиками можно и нужно, а умерять их «власть» необходимо для бизнеса.
Решение: И снова для решения такой проблемы целесообразно использовать математический подход в рамках «задач оптимизации».
Что для этого нужно сделать?
● Определить, в чем конкретно «тираны» доминируют (ассортимент, цена, логистика и пр)
● Составить список всех возможных поставщиков, дублирующих продукт «тирана».
● На основании составленного списка оценить, какой контрагент какими объёмами сможет перекрыть преимущества «тиранирующего производителя».
● Составить все риски по возможным заменам.
И да, задачи оптимизации могут склеить все сложные оценки и параметры и оценить возможность сокращения власти таких «неудобных» диктаторов. Также, если информация собрана и проработана корректно, с помощью моделей оптимизации можно рассчитать необходимую логистику или финансовые условия для новых производителей.
Читайте также: Классификация данных: искусственный интеллект, нейросети и высокие технологии на службе бизнес-аналитики
Дано: В российском ритейле среди категорийных менеджеров сильно заблуждение, что работать можно и нужно только на так называемых «стабильных» позициях. Это означает, что менеджер выбирает самую ходовую потребность в группе и ставит её на полку от всех производителей (например, клубничный йогурт), при этом всецело игнорируя баланс свойств товаров. Продажи могут при этом оставаться прежними или снижаться. При этом выявить причину сложно, так как для этого нужно погружаться в ассортимент групп, который покажется весьма «топовым». Сплошные «хиты» от хороших поставщиков. Проблемы вроде и нет.
Потери компании в деньгах от такого «моноподхода» - просто колоссальные. Могу лишь упомянуть, что в одном из случаев, после ревизии «западающей» категории, ведущая группа, кисломолочные продукты, показывала падения LFL на 10-12% в товарообороте.
Решение: С помощью «задач оптимизации» можно оперативно распознать дисбаланс ассортимента, проанализировав его в контексте долей продаж и условий доходности. Математический подход сразу даст понять, что, несмотря на кажущуюся надежность ассортимента, что-то с ним не так.
Таблица 3:
Дано: Один из трендов потребления – увеличение в корзине доли продуктов категорий fresh и ultra-fresh, то есть продуктов с кратким сроком хранения. Даже дискаунтеры, которые изначально не стремились предлагать покупателям свежую продукцию, сейчас активно расширяют линейки ФРоВ, молочки, охлажденного мяса и даже выпечки.
Крупный FMCG-ритейлер захотел расширить ассортимент в своих магазинах продуктами категории ultra-fresh (срок годности до 7 суток) и договорился с поставщиком. Проблема состояла в том, что розничная сеть имеет широкую географию, срок поставки до центрального распределительного центра составлял 2 суток, далее нужно было развести товар по удаленным районам, что отнимало еще от 2 суток времени. Казалось бы, цепочка поставок не позволяла доставлять продукцию во все магазины сети и даже в половину из них.
Решение: Просчитанная схема «руками» давала гарантии на 55-60% покрытия сети, что было неплохо.
Но в случае подключения оптимизационной модели, ритейлер имел возможность:
● Выявить слабые места поставки: риски, возможные задержки;
● Переложить сбор заказов на производителя и сэкономить минимум 0.5 суток, а, возможно, и сутки в цепочке поставок;
● Оптимизировать маршруты доставки таким образом, что не покрытыми в схеме поставок были бы только крайне удалённые территории, доля которых составляла 12-15% покрытия сети.
Дано: Крупный FMCG-ритейлер имел в ассортименте продукты категории fresh, однако в течение длительного времени у него возникали перебои в поставках нескольких ассортиментных линеек. Поставщик задерживал поставки, в результате чего продукты приходили с недостаточными остаточными сроками годности. Это вызывало прямые потери в продажах и недовольство конечного покупателя.
Вмешательство управленцев со стороны производителя выявило слабый процесс в цепочке поставок в одном из удалённых регионов и вопрос был решен.
Как итог: процесс был запущен, товары бесперебойно начали вставать на полку, повышая и товарооборот, и лояльность покупателей. Проблема, которая существовала несколько лет, была решена за три недели.
Как могла помочь задача оптимизации в этом случае? Использование математического алгоритма и задач оптимизации в регулярном режиме просто не допустила бы того, чтобы проблема ушла в «хронический» длительный режим.
Своевременно запущенный процесс анализа должен был дать сигнал о «задержке» на конкретном участке. Далее, проанализировав именно этот участок цепи, приложение могло дать сигнал управленцу о «надломе» и, если бы это бы было возможно, предложить варианты решения.
Таблица 4. Общий итог по всем примерам
В розничном бизнесе категорийные менеджеры регулярно сталкиваются с рядом комплексных задач, которые невозможно решить с помощью стандартного алгоритма, предлагаемого технологичными сервисами. В решении таких задач нужен научный математический подход и гибкость ученых-математиков.
Сегодня мы рассмотрим несколько таких задач, и то, к каким результатам можно прийти, используя математические модели. Рассказывает Елизавета Ощепкова, генеральный директор кластера ITSIBERIA.
В интервью для В2В-портала New Retail одной из тем для обсуждения стал новый класс задач – задачи оптимизации. Основой для их появления послужили блоки исследований, которые относительно недавно были выделены в прикладной математике. Это так называемые «методы принятия решений» и «исследования операций», которые сформировались из прикладных задач производства, логистики, работы с ассортиментом и многих других. Пул задач оказался настолько огромным, что научное сообщество выделило два отдельных направления по изучению такого рода запросов.
Важно «на берегу» пояснить, что принципиальное отличие задач оптимизации – их комплексность, большое количество факторов и переменных, что делает невозможным применение в работе с ними стандартных, а тем более коробочных ИТ-решений. Так, оптимизация ассортимента – это не узкая проблема повышения эффективности полки, поиска баланса новинок к базовой матрице или анализа спроса. Это комплекс факторов, параметров товаров, особых для каждого игрока, с краткосрочными и долгосрочными задачами, и их решение лежит не в области ИТ, а в виде отдельных проектов с применением математических знаний.
Давайте разберем несколько практических бизнес-задач, которые сотрудники кластера ITSIBERIA решали «руками», применяя математический подход, каких результатов удалось добиться и в принципе, в каких случаях розничному бизнесу имеет смысл обращаться к науке.
Задача №1: Оптимизации существующем ассортиментной матрицы без ввода новинок.
Дано: достаточно крупный ритейлер в сегменте FMCG, лидер локального рынка. Ассортиментная матрица, на первый взгляд, сформирована сбалансированно, присутствует необходимое разнообразие товаров с разными потребительскими свойствами, ценовое ранжирование. Однако, при более детальном изучении каждой категории и ассортимента в целом пришло понимание, что обилие повторяющихся позиций (товаров со схожими свойствами и параметрами) от разных производителей приводят к снижению продаж. Например, около полутора десятков видов вареной колбасы.
Решение: Было решено проработать качественно каждую из подгрупп существующей матрицы и разобраться с «тяжелыми» весами, оказывающими негативное влияние на продажи и валовый доход (ВД).
Ход решения: аналитики ITSIBERIA провели глубокий анализ ассортиментной матрицы, вывели лишние позиции, сформировали новые квоты. В результате категории, с которыми была проведена корректировка, показали рост процента маржинальности до 0.6%. И важно еще раз отметить, что это рост на существующем ассортименте, без ввода новинок.
Для решения задачи не были привлечены ИТ-ресурсы, однако даже при всецело «ручном» подходе мы говорим о внедренной вручную «модели оптимизации». При грамотном системном подходе такую ревизию ассортимента нужно проводить регулярно, переведя в будущем модель в непростой, но автоматизированный подход, учитывающий прежние факторы, а также способный интегрировать в расчеты новые параметры.
Таблица 1 - финансовая эффективность, человеческий фактор, трудозатраты, денежные потери в случае невыполнения задачи.
Задача №2. Обновление сезонной матрицы магазина с ограниченным ассортиментным рядом.
Дано: Эта задача особенно актуальна в условиях развития формата дискаунтера, а также различных мини-форматов, главной особенностью которых является небольшая ассортиментная матрица, буквально, самые необходимые товары и продукты. Если в дискаунтерах обновление ассортимента носит сезонный характер, то в компактных форматах корректировка матрицы – постоянный процесс, ведь места на полках мало и каждая позиция должна отрабатывать на 100%.
Решение: используя математические алгоритмы, была проведена работа по оптимальному сочетанию товаров с разными или схожими потребительскими свойствами, предложений производителей и целевых финансовых показателей. В результате с нуля была сформирована ассортиментная матрица с ограниченной представленностью товаров в категориях, которая в первые недели продаж показала рост товарооборота в штуках LFL +30%, а в рублях не менее 22%.
Дополнительные «бонусы» – рост маржинальности бизнеса и значительное снижение затрат на отработку ошибок, которые неизбежны при традиционном рутинном подходе к обеспечению ассортимента без использования четких математических алгоритмов.
В данном случае польза задач оптимизации состоит в том, чтобы на небольших группах с учётом свойств и целевых показателей на регулярной основе создавать сбалансированный ассортимент и повышать прибыльность торговой точки.
Таблица 2:
Задача №3: Замена «тиранирующего» поставщика
Дано: Часть ассортимента любой торговой точки (даже дискаунтера) составляют продукты крупного производителя, который является лидером в категории. Такие производители осознают важность наличия их бренда в матрице ритейлера и нередко создают проблемы коммерческому директору и компании в целом.
Проблемы заключаются в своеобразном диктаторстве и «тиранстве», в рамках которых поставщик диктует свои правила и создает условия для конфликтного переговорного процесса. Место на полке, ценовые условия, особые маркетинговые и прочие мероприятия, – условий может быть много, и может казаться, что вариантов для маневра нет. Однако работать с такими «тиранирующими» поставщиками можно и нужно, а умерять их «власть» необходимо для бизнеса.
Решение: И снова для решения такой проблемы целесообразно использовать математический подход в рамках «задач оптимизации».
Что для этого нужно сделать?
● Определить, в чем конкретно «тираны» доминируют (ассортимент, цена, логистика и пр)
● Составить список всех возможных поставщиков, дублирующих продукт «тирана».
● На основании составленного списка оценить, какой контрагент какими объёмами сможет перекрыть преимущества «тиранирующего производителя».
● Составить все риски по возможным заменам.
И да, задачи оптимизации могут склеить все сложные оценки и параметры и оценить возможность сокращения власти таких «неудобных» диктаторов. Также, если информация собрана и проработана корректно, с помощью моделей оптимизации можно рассчитать необходимую логистику или финансовые условия для новых производителей.
Читайте также: Классификация данных: искусственный интеллект, нейросети и высокие технологии на службе бизнес-аналитики
Задача №4: Принудительное разнообразие ассортимента.
Дано: В российском ритейле среди категорийных менеджеров сильно заблуждение, что работать можно и нужно только на так называемых «стабильных» позициях. Это означает, что менеджер выбирает самую ходовую потребность в группе и ставит её на полку от всех производителей (например, клубничный йогурт), при этом всецело игнорируя баланс свойств товаров. Продажи могут при этом оставаться прежними или снижаться. При этом выявить причину сложно, так как для этого нужно погружаться в ассортимент групп, который покажется весьма «топовым». Сплошные «хиты» от хороших поставщиков. Проблемы вроде и нет.
Потери компании в деньгах от такого «моноподхода» - просто колоссальные. Могу лишь упомянуть, что в одном из случаев, после ревизии «западающей» категории, ведущая группа, кисломолочные продукты, показывала падения LFL на 10-12% в товарообороте.
Решение: С помощью «задач оптимизации» можно оперативно распознать дисбаланс ассортимента, проанализировав его в контексте долей продаж и условий доходности. Математический подход сразу даст понять, что, несмотря на кажущуюся надежность ассортимента, что-то с ним не так.
Таблица 3:
Задача №5: Ввод в ассортимент SKU с короткими сроками годности (7 суток) с поставкой из отдалённого региона (2000 км).
Дано: Один из трендов потребления – увеличение в корзине доли продуктов категорий fresh и ultra-fresh, то есть продуктов с кратким сроком хранения. Даже дискаунтеры, которые изначально не стремились предлагать покупателям свежую продукцию, сейчас активно расширяют линейки ФРоВ, молочки, охлажденного мяса и даже выпечки.
Крупный FMCG-ритейлер захотел расширить ассортимент в своих магазинах продуктами категории ultra-fresh (срок годности до 7 суток) и договорился с поставщиком. Проблема состояла в том, что розничная сеть имеет широкую географию, срок поставки до центрального распределительного центра составлял 2 суток, далее нужно было развести товар по удаленным районам, что отнимало еще от 2 суток времени. Казалось бы, цепочка поставок не позволяла доставлять продукцию во все магазины сети и даже в половину из них.
Решение: Просчитанная схема «руками» давала гарантии на 55-60% покрытия сети, что было неплохо.
Но в случае подключения оптимизационной модели, ритейлер имел возможность:
● Выявить слабые места поставки: риски, возможные задержки;
● Переложить сбор заказов на производителя и сэкономить минимум 0.5 суток, а, возможно, и сутки в цепочке поставок;
● Оптимизировать маршруты доставки таким образом, что не покрытыми в схеме поставок были бы только крайне удалённые территории, доля которых составляла 12-15% покрытия сети.
Задача №6: Поставка товаров категории fresh (срок годности до 18 суток) силами производителя.
Дано: Крупный FMCG-ритейлер имел в ассортименте продукты категории fresh, однако в течение длительного времени у него возникали перебои в поставках нескольких ассортиментных линеек. Поставщик задерживал поставки, в результате чего продукты приходили с недостаточными остаточными сроками годности. Это вызывало прямые потери в продажах и недовольство конечного покупателя.
Вмешательство управленцев со стороны производителя выявило слабый процесс в цепочке поставок в одном из удалённых регионов и вопрос был решен.
Как итог: процесс был запущен, товары бесперебойно начали вставать на полку, повышая и товарооборот, и лояльность покупателей. Проблема, которая существовала несколько лет, была решена за три недели.
Как могла помочь задача оптимизации в этом случае? Использование математического алгоритма и задач оптимизации в регулярном режиме просто не допустила бы того, чтобы проблема ушла в «хронический» длительный режим.
Своевременно запущенный процесс анализа должен был дать сигнал о «задержке» на конкретном участке. Далее, проанализировав именно этот участок цепи, приложение могло дать сигнал управленцу о «надломе» и, если бы это бы было возможно, предложить варианты решения.
Таблица 4. Общий итог по всем примерам
Если у вас появились вопросы или предложения по сотрудничеству с ИТ-кластером ITSIBERIA, а также заинтересовала новая система хранения и распознавания данных, пишите по адресу электронной почты It_and_science@internet.ru, а также в Телеграм @ITSIBERIA_Elisaveta_Oshchepkova или в WhatsApp +7 913 775 81 72.
Елизавета Ощепкова,
генеральный директор кластера ITSIBERIA.
Для NEW RETAIL
Реклама ООО "ИТ-КЛАСТЕР СИБИРЬ", ИНН 5404317933
erid: F7NfYUJCUneLsXMJCc39
0
Читайте также
Последние новости
Самое популярное
-
«ЭкоНива»: как оптимизировать прибытие транспорта на склад
-
Как подготовиться к Новому году на маркетплейсе: советы для продавцов
-
Фоторепортаж: Fix Price в новом офисе
-
Продажи хлеба в 2024 году: тренды и влияние мерчандайзинга
-
Как музыкальный брендинг усилил восприятие фэшн-бренда и увеличил продажи (кейс ...
