Актуальные тренды российского ритейла
Эксперты GlowByte поделились мыслями о новых правилах игры для ритейлеров, описали интересные случаи из практики, а также рассказали о роли математических алгоритмов и предиктивных моделей при решении задач в ритейле, технологических новинках в мире аналитики.
Вопрос: Мы живем в эпоху стремительно меняющейся жизни. Что, в первую очередь, нужно понимать ритейлерам в текущих условиях?
Дмитрий Мазур, руководитель направления Retail Solution GlowByte: Сейчас крайне важна скорость реакции на изменения, происходящие на рынке: на закупочные цены, курсы валют, цены конкурентов и так далее. По результатам различных опросов, которые массово публикуют в сети, более половины россиян сокращают свои расходы, при этом более ⅔ этого показателя приходится на еду и товары первой необходимости. Основной тактикой покупателей становится пристальный взгляд на промо и на поиск более дешевых товаров. Это значит, что ритейлерам нужно уметь быстро подстраиваться под изменение как покупательских трендов, так и закупочных цен, ассортимента цен конкурентов.
Без хорошо поставленной автоматизации и аналитики это практически невозможно. При этом в высшей степени важна тесная коллаборация коммерческого департамента (ценообразование, промо) и маркетингового (клиентские сегментации, чувствительности клиентов к скидкам и предложениям, CDT-для разных клиентских сегментов). Не случайно у каждого большого ритейлера перечисленные выше функции раскладываются между коммерцией и маркетингом совершенно по-разному.
Вопрос: Какие решения могут помочь ритейлерам в текущих условиях ценообразования?
Илья Шахурин, соруководитель практики Retail Solution GlowByte: Говоря о ценообразовании, я бы сразу разделял все задачи на две основные ветки - операционализация и аналитика.
Автоматизированный процесс ценообразования в текущих условиях – это жизненная необходимость и гарант конкурентоспособности компании. Во времена высокой волатильности курса и большой неопределенности с поставщиками критически важно уметь быстро реагировать и пересчитывать цены. Естественно, что компании с процессами на Excel не смогут конкурировать в актуализации своих цен с компаниями, где ценообразование адаптировано под автоматизированную систему расчета.
KVI, роли категорий, ценовые сегменты и т.д. – аналитический фундамент процесса ценообразования, от которого напрямую зависит качество реакции компании на изменения. Сейчас, когда ушли многие западные поставщики, контекст рынка сильно изменился, все эти аналитические задачи стали как никогда актуальны и востребованы.
Вопрос: Какие кейсы в вашей практике самые сложные?
Дмитрий Мазур: Сложные и интересные задачи, как правило, находятся на стыке нескольких областей одновременно. Рынок клиентской аналитики в России представлен на достойном уровне, решения для товарной аналитики с точки зрения экспертизы –- тоже хороши, однако специалистов, умеющих соединять две эти области знаний, не так много.
В качестве примера – рассылка товарных рекомендаций клиентам сети. Чтобы подойти к этой задаче максимально осмысленно, специалист должен не только уметь запускать кампании в соответствии со строгими правилами A/B-тестирования, уметь использовать продвинутые алгоритмы для подбора рекомендуемых товаров клиентам, но и применять свою бизнес-экспертизу в области товарной аналитики для финальной валидации этих рекомендаций: учесть и определить ценовой сегмент клиента, не забыть фактор брендозависимости категорий и т.д.. Хороший и показательный кейс – рекомендация конкретного бренда кофе: даже несмотря на высокий скорр-балл, который выдает рекомендательный алгоритм, клиенты слишком сильно привязаны к конкретному бренду, и, если ранее его не покупали, рекомендация будет неэффективной.
Илья Шахурин: Другой пример – ценообразование с учетом сегментации клиентов, определение товаров KVI для формирования ценового позиционирования. Классическая методика подбора предполагает отбор таких товаров, цены на которые покупатель запоминает и по ним сравнивает сеть с конкурентами.
Если кратко и без деталей, то для этого метода отбираются товары, которые присутствуют у большинства конкурентов, с которыми покупатель часто встречается (высокая доля в чеке) и покупка которых является для покупателя чувствительной (отсечка условных “пакетов на кассе”). Но если у сети есть программа лояльности, то, анализируя профили покупок клиентов, можно обнаружить, что существует несколько достаточно сильно различающихся страт клиентов. И здесь не только деление по доходам – высокому, среднему, низкому (определяется по доле ценовых сегментов в истории покупок клиента).
Если проводить серьезную аналитику по сопоставимому профилю покупок и последующей интерпретацией, то можно рассмотреть покупательские миссии. К примеру, это может быть основная еженедельная закупка, ежедневная дозакупка, еда на ужин, обед (актуально для офисных центров и т.п.), покупка по пути и т.д. Выделив покупательские миссии каждого нашего магазина, мы определяем для каждой из них свой товар KVI по той же логике, как было описано выше. В итоге мы получаем персонализированный для каждого магазина список KVI. Очевидно, такой инструмент, с одной стороны, позволяет сократить расходы (не включаем в KVI ненужные товары и не теряем на них маржу), а с другой – повышаем точность и эффективность (за счет наличия в списке KVI действительно важных для каждого отдельного магазина товаров).
Вопрос: Какова роль глубоких математических алгоритмов и предиктивных моделей при решении актуальных кейсов в ритейле?
Илья Шахурин: Можно рассмотреть пример из области ценообразования, где ключевая аналитическая задача – автоматический подбор оптимальной регулярной цены. Этот подход позволяет определить такую единственно возможную цену, которая, с одной стороны, максимизирует заранее заданный показатель (выручка, маржа, продажи в натуральных единицах), а с другой – соблюдает все необходимые ограничения (государственное регулирование наценок, отклонение от цен конкурентов и пр.). Для работы этого алгоритма необходимы следующие составляющие:
- история продаж и цен с очисткой от выбросов, дефицитов, промо и пр. (на ней обучается модель эластичности);
- движок расчета эластичности (изменение продаж в зависимости от изменения цены);
- инструмент задания цели и ограничений для подбора оптимальной цены;
- математический оптимизатор, который на основе эластичности подбирает оптимальную цену, а она, в свою очередь, дает максимальное значение показателя, указанного как цель, и соблюдает ограничения.
Качество всей такой системы критически зависит от данных, на которых обучается модель эластичности. И если подготовка, очистка от выбросов/ дефицитов и восстановление данных по истории уже неплохо отработаны и поставлены на поток, то изменение привычек покупателей, их уровень дохода и прочие внешние факторы автоматически не детектируются.
С марта 2022 начали возникать новые факторы в поведении покупателей, которые ранее не были столь значимыми. Кроме очевидного роста чувствительности к цене (рост цен при сохранении среднего дохода), можно обнаружить изменение в структуре спроса. Повышение прагматизма в покупательском поведении, например, снижает долю импульсных категорий и повышает долю категорий товаров длительного хранения. А это значит, что нельзя просто взять и повысить рассчитанные ранее коэффициенты эластичности на все товары равномерно, в действительности необходимо заново обучать модели эластичности.
Здесь становится актуальным алгоритм транслирования найденной эластичности от одних товаров к другим. Самый простой вариант – усреднить показатель, если в соответствии с принципами категорийного менеджмента это группа условно взаимозаменяемых товаров (кстати, задача определения категории – тема отдельного большого интервью, поскольку у большинства ритейлеров эти категории определены неверно). Но это очень грубый подход, механизм трансляции эластичности можно значительно улучшить. Например, транслировать коэффициент внутри ценового сегмента категории, а в идеале разбить все товары категории на группы взаимозаменяемых товаров.
Определение взаимозаменяемости товаров и формирование из них групп (их еще называют группа спроса) – нетривиальная и наукоемкая задача. Существует несколько классических подходов для решения этой задачи, и лучше всего зарекомендовали себя робастная регрессия (регрессорами в том числе выступают цены на товары из категории или ценового сегмента), векторное представление товаров в контекстном пространстве покупок (“prod2vec”) и анализ условной вероятности покупок (гуглить “MBA, Market Basket Analysis”).
Вопрос: В ритейле под каждого заказчика пишется новое ПО или используются наработки, которые постоянно совершенствуются под конкретного заказчика? На примере личного опыта, что выбирает чаще заказчик – ПО с нуля или уже “обкатанное”?
Дмитрий Мазур: Выбор решения зависит от стратегии компании и цели проекта. Есть ритейлеры, нацеленные на инхаус-разработку, выделяют ее в отдельный ИТ-бизнес или ИТ-компанию. Есть компании, задачи которых успешно покрываются вендорскими решениями, представленными на рынке. Аналогично обстоят дела и с ИТ-ресурсами: некоторые ритейлеры твердо нацелены на развитие собственной экспертизы, другие активно пользуются услугами консультантов, сокращая свой фонд оплаты труда и страхуясь от рисков потери инвестиций, вложенных в своих сотрудников при их уходе.
Если говорить о главной цели проекта, то, как правило, это time to market – как можно раньше начать возврат инвестиций. В этом случае кастомное решение для крупной задачи автоматизации с нуля обычно выходит дороже (и дольше по времени), чем уже обкатанное на рынке ПО. Кроме того, для сохранения целевого time to market важно не только ЧТО внедрять, но и КАК внедрять. Для успеха нужен грамотно выстроенный производственный процесс и управление рисками не только в проекте, но и в смежных областях.
К примеру, при автоматизации процесса ценообразования, независимо от того пути, по которому идет ритейлер, нужно помнить об основных критически важных функциях и возможностях решения:
• гибкой настройке визуальных форм, процесса (workflow) и правил для того, чтобы предложить решение под потребности бизнеса, а не наоборот, когда решение диктует процессы и ограничения;
• удобстве построения потоков данных и возможности бесшовной интеграции со сторонними провайдерами ценовой аналитики – для максимально быстрого внедрения MVP (minimum viable product) и получения первых результатов;
• открытой платформе – возможности гибкой доработки решения и постепенного наращивания функционала, использования собственных аналитических наработок и бизнес-экспертизы;
• масштабируемости и скорости (решение должно поддерживать стратегию роста компании и при этом соблюдать необходимые требования (SLA) по скорости расчета цен).
Кроме вышеописанных факторов, необходимо учитывать соотношение управленческой степени зрелости компании/ департамента и текущий уровень технологической зрелости автоматизации бизнес-процесса. Это тема отдельной большой статьи, но если коротко - если упор на сроки и деньги и текущая автоматизация процесса низкая - хорошо подойдет готовое коробочное решение, если текущий процесс более-менее автоматизирован, но есть клубок legacy и хочется выстроить лучшую в россии автоматизацию процесса - то кастомная разработка/доработка напильником хорошо кастомизируемых платформ.
Вопрос: Какие изменения на рынке аналитики вы видите и какие технологические новинки могут найти применение в ритейле?
Дмитрий Мазур: Последние годы и особенно сейчас мы наблюдаем тенденцию активного импортозамещения, закрепился тренд на технологические замены решений западных вендоров (хранилища, BI, системы принятия решений), и это, к слову, отличная возможность для российских компаний, несмотря на то, что не все отечественные решения еще зрелые. Среди особенностей нового времени – дефицит ресурсов в связи с релокацией бизнеса и отдельных специалистов, повышение стоимости аналитических решений из-за инфляции, рост зарплат.
Что касается технологий, одно время был тренд на бурное развитие Data Science, ML, прочей аналитики (и это действительно хорошие инструменты), но не всегда они находили и находят должное применение. Ведь если мы автоматизируем хаос, получается автоматизированный хаос. Сейчас индустрия достигла некоторой зрелости, пришло понимание, что с помощью математики можно улучшить хорошо отлаженные процессы, но первичен тут именно процесс. В условиях нехватки рабочих рук и средств тем более актуальным становятся технологические возможности, позволяющие автоматизировать рутину (вспоминается прекрасная фраза “Human by exception” – для людей есть более сложные задачи). Поэтому сейчас мы наблюдаем интерес к такому направлению, как роботизация процессов – Robotic Process Automation (RPA).
Оксана Астапова, технический директор направления Process Intelligence GlowByte: Бизнес действительно достаточно созрел, чтобы применять осознанный подход к оптимизации процессов (Hyperauthomation) и вообще процессный подход в управлении. Большинство процессов уже достаточно оцифрованы (что, кстати, не равно “автоматизированы”, эти два понятия часто смешивают), то есть действия участников и другие события процесса оставляют цифровые следы в IT-системах. И благодаря этому мы можем использовать data-driven-подход для того, чтобы понимать, как наши процессы живут на самом деле, что в них происходит, где узкие места и т.д. – это называется Process mining.
Так, например, вы можете автоматически восстановить реальную структуру своего процесса, скажем, сборки заказа на складе, и увидеть, что давно пора перенастроить систему управления маршрутом. Или построить Customer Journey Map – фактическую карту действий пользователя и увидеть, что сотни людей сталкиваются с ошибками при работе с личным кабинетом на сайте и не обращаются в поддержку. Таким образом, мы достигаем с помощью такого подхода прозрачность процесса и получаем возможность управлять им в моменте: например, проактивно связываться с клиентом, если выросла вероятность задержки в доставке.
Александр Трофимчук, операционный директор практики RPA GlowByte: Несмотря на высокий уровень автоматизации, в ритейл-компаниях остаются области, куда можно “приложить руки”.
Например, зачастую отсутствует сквозная целостная автоматизация end-to-end процессов. Так как бизнес развивается неравномерно, то и различные части процесса автоматизированы различными ИТ-решениями, данные из которых нужно сопоставлять, переносить и сравнивать. Кроме того, внутренние данные компании часто требуют дообогащения потоком внешней информации (например, факт доставки до клиента).
Помимо времени, затрачиваемого непосредственно на подготовку данных, требуется выделение времени на проверку данных, что неизбежно при их ручном вводе и/ или операций с ними. Последствием возникающих ошибок являются штрафы, возвраты, необходимость выводить сотрудников в выходные с двойной оплатой труда, что в совокупности приводит к удорожанию и без того капиталоемких и запутанных процессов логистики, закупки, управления цепями поставок.
Нередки случаи, когда уже реализованное ИТ-решение процесса устарело (например, в области UX дизайна), неоптимально реализовано, а реинжиниринг выглядит неоправданно дорогим. Многим экспертам знакома ситуация, когда надо зайти в интерфейс, проставить галочки, выгрузить, сравнить, сохранить в папочку и так далее.
Такие проблемы встречаются во многих задачах, в том числе: создания заявок на закупку и поставку товаров, формирования товарно-транспортных накладных, создания и изменения маршрутов доставки товаров по торговым точкам, сверки взаиморасчетов с поставщиками, анализа расхождений цен в заказах.
Инструменты RPA позволяют автоматизировать любую рутинную работу, выполняемую сотрудником, в круглосуточном режиме и самое главное – без ошибок.
Источник: http://retailtech.ru/
OOO "Петроглиф"
Copyright © 2019