Видеоаналитика и товарные чеки - новый подход к контролю над ассортиментом магазина
время публикации: 10:00 08 августа 2019 года
Какие товары важны в ассортиментной матрице, а какие нет? Важнейший вопрос, который вызывает затруднение у многих ритейлеров. Дать четкий ответ на него и оперативно вносить изменения в ассортимент поможет видеоаналитика, интегрированная с данными о товарных чеках.
На фото: Алексей Осипов, директор по развитию компании CVizi
Видеоаналитика – это анализ видеопотока с камер. Алгоритмы ищут нужные события в кадре, фиксируют их в удобном пользовательском интерфейсе в виде наглядных дашбордов с обязательным фотоподтверждением.
Однако бизнесу как всегда нужно целостное решение, когда он сможет в едином окне видеть и делать аргументированные выводы.
Как можно использовать данные компьютерного зрения в бизнесе отдельно и совместно с учетными данными в ИС заказчика. Например, данными о товарных чеках, взятыми из 1С. Размер бизнеса значения не имеет – это может быть магазин у дома, бутик в торговом центре или крупный сетевой магазин.
Традиционный подход к анализу товаров
Для оптимизации продаж магазина бизнес всегда должен держать руку на пульсе и постоянно контролировать присутствие в ассортиментной матрице тех или иных товаров. То есть ответ на вопрос «Какие товары важны в данный момент или в перспективе для бизнеса, а какие не важны?» не должен вызывать затруднений.
Если товаров в продуктовой линейке много, то обычно используют ABC и XYZ анализ.
Буквально пару абзацев про них, чтобы общаться в единых терминах.
ABC анализ отвечает на вопрос, какие товары или группы товаров вносят самый ощутимый вклад в продажи. Тут почти всегда действуют правило Парето – 20% товаров и услуг дают 80% выручки. Это получается группа «А», а остальные 80% ассортимента дают лишь 20% выручки и делятся на группы «B» и «С». Цифры 20% и 80% - условные. Отклонения могут быть, но порядок тот же.
Итого:
- А — самые ценные товары (20% ассортимента; 80% продаж);
- В — промежуточные товары (30% ассортимента; 15% продаж).
- С — менее ценные товары (50% ассортимента; 5% продаж).
XYZ анализ отвечает на вопрос какие товары пользуются самым большим спросом. Для того чтобы разбить ассортимент на категории используется коэффициент вариации продаж, который помогает оценить характер спроса, его стабильность и прогнозируемость.
- X – товары с высоким и устойчивым спросом
- Y – товары с изменчивым спросом (сезонность, акции, дефицит)
- Z – товары с нерегулярным потреблением, точность прогноза низкая
Производя кросс-анализ ABC + XYZ, можно создать стратегию продвижения определенных товаров и можно разработать рекомендации для работы с товарами каждой категории.
Основная проблема, по которой бывает тяжело принять решение – это правильное и аргументированное сокращение или изменение ассортиментной матрицы:
- Категории товаров, которые достаточно важные (с точки зрения вклада в выручку ABC анализ), но с нестабильным спросом (XYZ анализ)
- Категории с товарами с низким спросом и с низкими продажами.
Кроме этого есть еще проблема прогнозирования продаж в других магазинах. Почему в этом магазине сети товар Х продается на ура, а в соседнем микрорайоне вообще никак? Можно это было спрогнозировать? Может быть нужно сначала было создать спрос на определенные товары, а не терпеть убытки? А может быть эти товары изначально здесь не имели шансов на хорошие продажи?
Под видеоаналитикой в данной статье будем понимать анализ покупателей, полученный при помощи видеокамер, с точки зрения их трафика, демографии и эмоционального фона.
Давайте посмотрим, как более глубокое знание об аудитории магазина позволит тонко управлять ассортиментом.
Читайте также: Улыбнитесь! Вас снимает биометрическая камера
Анализ покупательского трафика
Для анализа покупательского трафика мы будем исследовать следующие метрики
1) Внешняя конверсия
Показывает отношение количества прошедших около входа людей к количеству вошедших внутрь магазина.
2) Внутренняя конверсия
Показывает отношения количества вошедших людей к количеству тех, кто дошел до кассы и совершил покупку (или количеству чеков).
3) Демография
Показывает пол и возраст посетителей и покупателей.
4) Эмоции
Показывает эмоциональный фон посетителей и покупателей.
Использовать их можно как по отдельности, так и в комплексе. Каждая из этих метрик – это элемент паззла, который вносит свой вклад в маркетинговую стратегию магазина.
Технически для сбора этих данных используется сервис, состоящий из IP-камер, миниатюрных вычислительных устройства S-Box и пользовательской части на web-портале. Он достаточно легко и быстро устанавливается на объекте в нужном количестве и уже через считанные часы начинает собирать данные, которые будут доступны на портале и готовы для импорта.
Внешняя конверсия
Сам показатель говорит о том, насколько ваш магазин привлекателен для прохожих. Чтобы собрать данные по одному входу нужно две камеры – одна считает проходящих людей, другая – входящих внутрь.
Получаемые данные
- Количество вошедших за искомый период времени
- Количество прошедших за искомый период времени
- Конверсия = Qвошедших/Qпрошедших
Так это выглядит в web-интерфейсе
Как это использовать?
Внешняя конверсия – это самый верхний уровень воронки продаж и оценивает, в первую очередь, привлекательность магазина во вполне конкретный период. Имея оперативные данные о внешней конверсии можно:
- Быстро проверять маркетинговые гипотезы и управлять рекламными компаниями: изменили витрину, изменили вывеску, установили баннер, провели промоакцию и т.д. Выхлоп увидите очень быстро. Здесь даже не нужен анализ продаж, глубины чека и т.п.
- Принимать решение о перспективности локации определенного магазина. Особенно, если есть возможность сравнить с аналогичным магазином в другом месте.
Внутренняя конверсия
Для ее получения используется интеграция двух систем: счетчиков людей и кассовой программы. Это отношение количества кассовых чеков к количеству зашедших людей.
Для анализа достаточно иметь:
- Количество вошедших за искомый период времени (из нашего сервиса)
- Количество кассовых чеков (из кассовой системы)
Что с этим делать, как использовать?
Если магазин сетевой, то идеально сравнивать данные по нескольким однотипным магазинам.
Для повышения внутренней конверсии компьютерное зрение сможет помочь отследить следующие метрики и получить причинно-следственную связь от управленческих действий:
- Мониторинг присутствия на рабочем месте персонала (продавцы, менеджеры, охрана).Возьмем для примера некий товар, который всегда пользуется спросом и достаточно маржинальный (категория X по XYZ-анализу+ категория A по ABC-анализу). Т.е. всегда нужно обеспечивать наличие таких товаров. Пусть это будет абстрактное Молоко
- Динамику изменения входного потока, после изменений в магазине (оформление, реклама, рассылки и т.п.).
- Длину очередей на кассах.
- Проходимость отдельных зон/стеллажей и т.д.
На диаграмме ниже представлено распределение остатков молока в зале плюс распределение входящего потока в течение двух вечерних часов.
Оранжевым маркером я выделил область, когда пошла первая волна вечерних покупателей. Остатков молока в этот момент было вроде бы достаточно. Снижались остатки достаточно равномерно. Но волну никто не учёл! И к 18:50 молока на полке уже не было. А точнее его не было раньше, т.к. остатки считаются по кассовой программе, а человеку нужно время, чтобы дойти от полки до кассы. А вот если бы менеджеры увидели волну, то могли бы сыграть на опережение и не допустить OutOfShelf. Полчаса пустой полки для товара категории AX – это очень много!
Демография
Пол и возраст покупателей – метрики обязательные в маркетинговом анализе и часто используются в ритейле. Умные камеры умеют определять пол и возраст каждого вошедшего посетителя магазина.
Что с этим делать, как использовать?
Однако, данные о поле и возрасте покупателей – это безусловно полезно, но этого недостаточно, если информация оторвана от основного бизнес процесса – продаж конкретных товаров или услуг. Предлагаю разобрать два примера с использованием демографических данных в анализе продаж.
Для того чтобы получить демографические данные посетителей
магазина нужна камера на каждом входе магазина. В момент входа камера будет фиксировать лица входящих людей с возможностью НЕ учитывать в статистике сотрудников. Для того чтобы получить демографические данные покупателей магазина, нужны камеры на каждой кассе, которые в момент покупки будут фиксировать лица покупателей. Для того чтобы совместить данные по продажам с персонами, нужна интеграция с кассовой программой, чтобы получить связку «Чек – Товар – Лицо». |
Кейс 1. Анализ низких или нестабильных показателей продаж
Предположим, что магазин провел кросс-анализ ассортимента на базе ABC- и XYZ- анализа и выделил товары или группы товаров, по которым есть проблемы и вопросы. Это желтая (AZ) и красная (CZ) категории товаров.
- Отказываться от товаров CZ в полу других или нет?Такой анализ – дело очень кропотливое, требующее большого внимания. Используется многомерный анализ ABC, где параметров будет больше одного (кроме объема продаж). И вот таким дополнительными параметрами мы предлагаем ввести демографию покупателей.
- На какую аудиторию запускать рекламу для товаров категории AZ и запускать ли?
Т.е. каждый товар из категорий AZ и CZ следует проанализировать с точки зрения покупательской способности разными возрастными и гендерными группами покупателей.
Например, мы знаем пол и возраст всех покупателей своего магазина за период один месяц. А также знаем пол и возраст каждого покупателя, купившего товары из категории AZ и CZ.
По каждому товару или группе товаров мы должны получить картину вклада в их покупку той или иной половозрастной группы. Возьмем некий «Товар 1» и построим для него ABC анализ по демографическим группам
У товара 1 есть ярко выраженная аудитория в виде мужчин и женщин 50+. Соответственно, если товар 1 относится к категории AZ, то понятно на кого таргетировать рекламу (группа “А” в таблице) и кому он совсем не интересен (группа “C” и часть группы “B”).
Если же товар 1 относится к категории CZ и решается вопрос о его присутствии в ассортиментной матрице, то нужно понимать какой есть потенциал у аудитории магазина в целом для покупки товара 1, а также какая у него оборачиваемость и можно ли высвободить деньги на его закупку в пользу более ликвидных товаров. Про оборачиваемость товара – это не в рамках этой статьи, а про потенциал аудитории магазина, чтобы не повторяться, см. в следующем кейсе.
Кейс 2. Предиктивный анализ продаж новых товаров
Предположим, имеется сеть супермаркетов около дома. Мы провели стимулирующую акцию линейки новых товаров в нескольких магазинах. В каких-то продажи новых товаров пошли хорошо, а в каких-то нет. В каких магазинах стоят еще попробовать новую линейку товаров?
Выберем магазин или магазины («Магазин 1»), где новые товары показали хорошие результаты за 1 месяц и перешли из категории CZ (красная) хотя бы в категорию BZ (серая) или выше.
Если эти данные по продажам новых товаров собраны за релевантный период, допустим, хотя бы один-два месяца, то с большой долей вероятности можно предположить, что в других магазинах новые товары точно будут покупать:
- Женщины 25…35 лет (группа А)
- Мужчины 35…50 лет (группа А)
- Женщины 35…50 лет (группа А)
- Мужчины 50+ лет (группа А)
- Женщины 50+ лет (группа А)
Вероятно, эти товары могут заинтересовать группы:
- Мужчины 25…35 лет (группа B)
- Женщины 18…25 лет (группа B)
И, очевидно, детям и мужчинам 18…25 лет (группа C) эти товары малоинтересны и на них не стоит рассчитывать.
Возьмем новый магазин (условно «Магазин 2»), где еще новых товаров не продавали, но показатели магазина схожие: людские потоки, чеки, локация. Как спрогнозировать продажу новой линейки товаров в других магазинах, зная его демографию?
Для этого нужно собрать статистику по демографии посетителей (даже не покупателей) и сравнить с картиной в Магазине 1.
Чтобы понять аудиторию магазина у дома достаточно одной недели и камеры на входе в магазин. Можно использовать камеры на кассе, как в магазине 1, но не все посетители доходят до кассы, а нам важен именно потенциал магазина.
В магазине 2 среди посетителей характерно доминируют женщины и мужчины 25…35 лет и 35…50 лет. Получается, что мы имеем достаточно много пересечений по группам A из одного и другого магазинов, а также есть еще запас по группам B.
Таким образом, с очень большой долей вероятности в Магазине 2 линейку новых товаров можно рекомендовать в продажу.
Эмоции покупателей
Эмоции посетителей, собираемые в автоматическом режиме, для ритейла – это совершенно новая метрика. Чтобы было понятно, видеоаналитика распознает в человеке восемь эмоций на лице. Вот они: гнев, презрение, отвращение, страх, счастье, печаль, удивление и нейтральность. Эмоции можно сгруппировать в позитивные, негативные и нейтральность и распределить по времени.
Собирать эмоции можно в совершенно разных точках магазина: вход, выход, касса, прилавок. Можно сравнивать эмоции между людьми, между зонами контроля, магазинами и т.д.
Резюме
Анализ трафика покупателей, включая знание о количестве, изменении во времени, поле и возрасте – это один из краеугольных камней маркетинга. Если держать руку на пульсе, то проверка любых маркетинговых гипотез будет занимать единицы дней. Те примеры, что я описал – это дополнительный пласт знаний, дополнение к существующим инструментам, которые призваны помочь и облегчить анализ продаж и выработать правильное управленческое решение.
Я уверен на 100%, что ни в каком магазине подобного анализа не проводили, потому что, во-первых, никто не знал, что так можно. А, во-вторых, такой информации просто нет у бизнеса. Есть догадки, социологические опросы и исследования, есть данные об использовании карт лояльности. А информация по полу, возрасту, количеству повторных визитов, длительности визита/обслуживания, знаний о связки Покупатель – Товар – для многих это что-то недосягаемое. К сожалению, это тот пласт данных, которого раньше просто не было и готовность бизнеса к ним крайне низка. Поэтому пока что видеоаналитика – явление не повседневное.
На самом деле, чтобы получить подобную статистику потребуется очень кропотливый труд. Работы хватит и ИТ-службе и маркетингу и коммерции. Данные от двух систем нужно правильно сводить, интерпретировать и принимать управленческие решения. Возможно, не сразу бизнес найдет правильный алгоритм трактовки и использования этих данных, но в отличие от конкурентов они у него будут. И через год он 100% получит сильнейшее конкурентное преимущество, т.к. другие только начнут их собирать. А выиграет тот, кто первый успеет адаптироваться к новым требованиям и запросам рынка!
Алексей Осипов,
Директор по развитию компании CVizi
0
Последние новости
Самое популярное
- Продвижение на маркетплейсах в 2024 году: новые возможности и важные элементы ус...
- Стало дороже, но качественнее: как изменилась стратегия продвижения у блогеров
- Российская блогосфера в феврале 2024: самые значимые события по версии Epicstars
- Как поставщику встать на полку магазина? (Требования крупнейших сетей)
- Экономика SEO на маркетплейсах: как формировать и корректировать бюджет