Углубленная аналитика ассортимента. Теория и практика

Современная углубленная аналитика способна помочь бизнесу более качественно принимать управленческие решения. На примере задачи планирования ассортимента торговой сети Дмитрий Бодунов, консультант практики SAS Retail & CPG, North EMEA, расскажет о том, в каких частях процесса планирования может помочь аналитика.

Процесс планирования ассортимента является частью большого интегрированного процесса планирования всей компании. При рассмотрении всего цикла планирования статья превращается в книгу, поэтому давайте предположим, что стратегические цели установлены, категории, которые будут продаваться в сети, определены, и по каждой категории известен один или несколько основных KPI (трафик, выручка/доля рынка, маржа, продажи в штуках/кг). Остается определить товарное наполнение магазинов – как распределить полочное пространство между категориями в конкретных магазинах с учетом локальной структуры спроса, потребностей покупателей и какие товары выставить в магазине с учетом существующих ограничений и договоренностей.

Давайте по порядку пройдем каждый из вопросов и продемонстрируем, как углубленная аналитика помогает на каждом этапе.

1. Как распределить полочное пространство между категориями с учетом локальной структуры спроса и потребностей покупателей?

Начнем с локальной структуры спроса. В решении данной задачи помогает кластеризация магазинов. Кластеризация позволяет ответить на вопросы:

· Зачем покупатели приходят в конкретный магазин? Какие группы товаров более популярны, какие менее?

· Кто приходит в магазин? Какой портрет типичного покупателя магазина?

Кластеризация помогает ответить на вопросы и при этом не просматривать каждый магазин. На вход кластеризации подается информация по ежедневным продажам, остаткам за длительный период, а также справочник товаров и магазинов. Ниже приведены примеры результата кластеризации:

Что показывает данная кластеризация? Во-первых, спрос различается между магазинами. В кластере 1 значимо выше берут готовую еду и хлебобулочные изделия и не берут корма для домашних животных. В кластере 2 берут товары для дома и не берут алкоголь и табак. В кластере 3 ровно наоборот. Мы понимаем, какие категории более интересны покупателям в каждом кластере и можем составить портрет покупателя (например, кластер 1 – офисные сотрудники, кластер 2 – домохозяйства, кластер 3 – люди на отдыхе).

Во-вторых, если определенные категории пользуются большей популярностью в кластере, то логично предположить, что им можно отдать больше полочного пространства за счет менее популярных категорий. Например, согласно долям категорий в кластере.

В итоге результатом кластеризации магазинов являются:

· Кластеры магазинов по структуре спроса;

· Описание особенностей каждого кластера с точки зрения продаж категорий и портретов покупателей;

· Распределение полочного пространства между категориями в магазине.

Мы нашли особенности локальной структуры спроса категорий на уровне магазинов. Как учесть товарные потребности покупателей, чтобы определить, какие субкатегории должны быть представлены в магазине?

Для этого необходимо понимать, как покупатель выбирает товар, какие характеристики товаров важны для покупателя. На этот вопрос помогает ответить Дерево Принятия Решений Покупателя (CDT, Consumer Decision Tree). Углубленная аналитика позволяет минимизировать участие эксперта при построении CDT.

Для построения CDT используется информация из чековых данных и данных программы лояльности (при наличии программы лояльности). Основная идея состоит в том, чтобы сформировать новую товарную иерархию, на нижнем уровне которой находятся похожие с точки зрения покупателя товары – они же являются товарами субститутами, закрывают потребность покупателя и формируют субкатегории. Чем выше уровень товарной иерархии, тем меньше товары похожи и могут дополнять друг друга. Пример ветки аналитического CDT для сгущённого молока (часть названий товаров скрыта):

В результате построения CDT формируется новый товарный справочник, в котором присутствуют атрибуты товаров, важные с точки зрения покупателя и выстроенные в иерархии в правильном порядке. Из примера сверху – сначала покупатель выбирает сгущенку, затем тип упаковки, затем ценовой сегмент. Построив CDT для каждой категории, мы понимаем, какие потребности есть у покупателя и как он выбирает товар. CDT помогает решить следующие задачи:

· Определение порядка выставления товаров на полках;

· Определение товаров субститутов;

· Выбор субкатегорий, которые должны быть представлены в магазинах (рекомендуется закрывать каждую потребность);

· Как разделить полочное пространство между субкатегориями в рамках каждой категории (дополнительно используя информацию о продажах субкатегорий).

Завершив кластеризацию и работу с CDT, мы получаем на выходе информацию:

· о доле полки каждой категории с учетом локального спроса магазина;

· доле полки каждой субкатегории, с учетом потребностей покупателей.

Данная информация необходима для перехода к следующему шагу – товарному наполнению категорий и субкатегорий.

2. Какие товары выставить в магазине с учетом существующих ограничений и договоренностей?

Основная идея при выборе конкретного наполнения субкатегорий – максимизировать KPI категории (помните, мы запросили его в самом начале), учтя множество ограничений. Для это необходимо выполнить следующие шаги.

Во-первых, построить прогноз спроса – как будет продаваться каждый товар в каждом магазине (даже если он никогда до этого не продавался). Это позволит в дальнейшем рассчитать CPI товаров. В данной задаче лучше всего помогают современные методы прогнозирования – как статистические (например, экспоненциальное сглаживание, ARIMA), так и методы машинного обучения (например случайный лес, градиентный бустинг, нейронные сети определенной архитектуры).

Во-вторых, необходимо понять, какие существуют ограничения и договоренности, связанные с ассортиментом. Очевидные – размеры товаров и размеры полок. Менее очевидные – договоренности с поставщиками об обязательном наличии товара на полке и компенсациях, линейки товаров (если есть один, то должны быть все оставшиеся из линейки), приоритет СТМ перед товарами-брендами и многие другие. Данные требования нужно собрать и формализовать – тогда их можно будет использовать в дальнейшей оптимизации. Здесь помогает хорошее хранилище данных в организации.

В-третьих, необходимо рассчитать CPI для каждого товара в каждом кластере с учетом KPI категории и прогноза спроса на товар. CPI позволит ранжировать товары для включения в ассортиментную матрицу магазина. Это самый простой шаг при оптимизации, здесь нужен лишь инструмент подготовки данных.

В-четвертых, выполнить саму оптимизацию. Имея на входе информацию о CPI каждого товара в каждом кластере, ограничения для каждого товара-магазина и KPI категории, выбрать товарное наполнение, которое удовлетворяет всем условиям и дает максимальное значение KPI. С данной задачей хорошо справляются современные методы линейной и нелинейной оптимизации. На выходе мы получаем таблицу ассортиментных матриц каждого кластера.

Выполнив описанные действия, мы получили рекомендованный ассортимент, который учитывает локальные особенности спроса и потребности покупателей. Мы отошли от необходимости работать с ассортиментом на уровне каждого магазина. Это помогает получить более оптимальное наполнение и снизить операционную нагрузку на сотрудников. При этом, понимая прогноз спроса на каждый товар в каждом магазине, мы можем очень быстро расширить матрицу отдельного магазина локальным ассортиментом.

Я рассказал про то, как углубленная аналитика помогает при формировании ассортимента магазинов. В следующей статье мы расскажем о том, как может выглядеть процесс планирования ассортимента с учетом результатов углубленной аналитики.