O sukcesie w handlu detalicznym decyduje skuteczne zarządzanie danymi

fot. depositphotos.com

Kontekst biznesowy

W jaki sposób w erze analityki predykcyjnej (pozwala przewidzieć kolejne kroki, zdarzenia czy tendencje) i preskryptywnej (rekomenduje działania na bazie analityki predykcyjnej) wykorzystuje się dane w branży handlu detalicznego?

Handel detaliczny staje obecnie w obliczu wielu wyzwań takich jak: coraz lepiej poinformowany i bardziej wymagający konsument, digitalizacja rynku, zmiany w prawie handlowym czy duża liczba produktów wprowadzanych na rynek. Sprzedawcy detaliczni mają dziś do dyspozycji ogromną ilość danych. Mogą z powodzeniem poszerzać kompetencje analityczne, aby czerpać korzyści z szybkiego tempa rozwoju technologicznego i cyfrowych innowacji, a także jeszcze skuteczniej adresować stojące przed nimi wyzwania.

Działania w ramach analityki klienta

Jednym z trendów, coraz bardziej widocznych w handlu detalicznym, jest zmniejszająca się lojalność konsumentów względem marek i sklepów oraz podatność na wpływ różnych czynników. Co za tym idzie? Klient oczekuje bardziej spersonalizowanego podejścia podczas dokonywania zakupów.

W związku z tym sprzedawcy detaliczni starają się zrozumieć, które produkty, usługi i oferty są najbardziej atrakcyjne dla konsumentów, aby zdobyć i utrzymać ich zainteresowanie. Rozwiązania z obszaru analityki klienckiej bardzo dobrze odpowiadają na tę potrzebę. Pomagają zrozumieć klienta i planować działania w oparciu o jego potrzeby. Dzięki nim konsumenci są bardziej zadowoleni z procesu zakupowego, a sprzedaż rośnie.

UOKiK: zarzuty dla sieci Dino, firm przewozowych i menedżerów za zmowę ograniczającą konkurencję

Segmentacja i mikrosegmentacja

Jednym z pierwszych działań, jakie należy podjąć, to segmentacja klientów. To kluczowe rozwiązanie z obszaru zaawansowanej analityki, po które sięgają retailerzy. Segmentacja polega na podziale bazy klientów na jednorodne grupy, według istotnych biznesowo cech, za pomocą algorytmów uczenia maszynowego. Podstawą do przeprowadzenia takiej analizy jest zbieranie odpowiednich danych, które mogą zostać przypisane do klienta. Mogą to być na przykład informacje zebrane przy użyciu programów lojalnościowych lub takie, które wynikają ze specyfiki organizacji (np. działającej w obszarze e-commerce). Na rynku wykorzystywane są również inne techniki identyfikacji klienta jak: wykorzystanie danych z kart kredytowych i płatniczych, adresów mailowych, numerów telefonów, danych sieci Wi-Fi, aplikacji mobilnych czy nawet technologii rozpoznawania twarzy. Zintegrowane dane na poziomie klienta stanowią tzw. widok 360 stopni. W przypadku handlu detalicznego na widok 360 stopni powinny składać się m.in. dane transakcyjne w połączeniu z drzewem hierarchii produktowej oraz historią promocji, interakcje klienta w różnych kanałach sprzedaży, historia reakcji na komunikację marketingową, dane lokalizacyjne czy demograficzne. Takie repozytorium wiedzy o kliencie jest punktem wyjścia do stosowania zaawansowanych algorytmów statystycznych, umożliwiających identyfikację nieznanych dotychczas segmentów. Wśród algorytmów służących do konstrukcji segmentacji dominują tzw. „metody uczenia bez nadzoru”. Polegają one na tym, że model sam wyszukuje wzorce w danych, nie mając z góry zadanych wartości lub klasy wybranej cechy do prognozowania, jak ma to miejsce w przypadku „uczenia pod nadzorem”. Różne modele, a także różne sposoby implementacji tej samej klasy modeli, mogą nieraz doprowadzić nas do różnych wyników. To z kolei, w obliczu braku jednoznacznego kryterium oceny jakości tych modeli, sprawia, że by zbudować segmentację musimy też dobrze zrozumieć specyfikę danego biznesu.

Jakie cechy mogą stanowić o przynależności do danego segmentu?

Z pewnością warto zidentyfikować powtarzające się wzorce zakupowe występujące wśród klientów. W przypadku sprzedaży detalicznej zadajemy sobie podstawowe pytanie: jak często i w jakim celu klienci przychodzą do sklepu? W przypadku grocery retailu czyli sklepów spożywczych część klientów będzie przychodzić rzadko z nastawieniem na duże zakupy (tzw. stockpiling). Inni natomiast będą woleli regularnie robić małe zakupy, ponieważ stawiają np. na świeżość lub mają bardziej impulsywne podejście do kupowania i dominują u nich produkty związane z misją zakupową typu „przyjemność”. Warto również spojrzeć, w którym miejscu na skali economy vs premium znajduje się dany klient (biorąc pod uwagę, z jakiej półki cenowej chętniej wybiera produkty). Jeśli sieć oferuje szeroki asortyment, klient w jednej kategorii może wybierać tańsze produkty, ale w kluczowej dla siebie kategorii wybrać droższy towar. Inne niezwykle ważne cechy to zachowania — poza tymi zakupowymi — które świadczą o przywiązaniu klienta do marki. Przykłady takich zachowań to np. korzystanie z różnych kanałów dystrybucji czy aplikacji mobilnej, reakcja na komunikację marketingową czy liczba poleceń marki innym konsumentom.

Modele predykcyjne

Kolejnym krokiem opartym na zrozumieniu zachowania i potrzeb klienta jest jego utrzymanie. Zmniejszenie wskaźnika odejść klientów (ang. churn rate) jest wpisane właściwie w każdą strategię sprzedażową. Sprzedawcy zastanawiają się, którzy klienci najprawdopodobniej nie dokonają już kolejnej transakcji w ich sklepie? Jakie czynniki powodują, że klient będzie robił zakupy u konkurencji? Odpowiedzi na te pytania można poszukiwać w oparciu o modelowanie predykcyjne, czyli przewidywanie. Z wykorzystaniem narzędzi klasyfikacyjnych uczenia maszynowego możliwe jest szacowanie prawdopodobieństwa odejścia poszczególnych konsumentów. Takie działanie pozwala na szybką reakcję i zatrzymanie klienta w porę np. poprzez adresowaną ofertę lub kampanię marketingową. W przypadku branży retail, jak również wszystkich biznesów, które nie bazują na rozwiązywanych kontraktach, wyzwanie zaczyna się już na etapie definiowania pojęcia churnu. Trudno zdefiniować moment, w którym możemy jednoznacznie uznać, że dany klient został utracony. Wówczas warto sięgnąć po modele szacujące wartość konsumenta w czasie, czyli tzw. modele CLV (ang. Customer Lifetime Value). CLV w oparciu o schemat zakupowy klienta i informację o dacie jego ostatniej wizyty szacują prawdopodobieństwo utracenia klienta.

Informacje zgromadzone na temat klientów mogą także umożliwić skuteczną realizację inicjatyw typu cross-sell / up-sell. Modele skłonności do kupowania (ang. propensity to buy) pozwalają prognozować zakup danego produktu w określonym czasie w przyszłości przez poszczególnych klientów. Takie analizy są niezwykle przydatne przy prowadzeniu bezpośrednich kampanii marketingowych, ponieważ identyfikują grupę docelową dla danego produktu oraz najlepsze kanały komunikacji. Wskazanie klientów, którzy będą najbardziej skłonni skorzystać z przygotowanej oferty, pomaga optymalizować zwrot z inwestycji (ROI) działań marketingowych. To niezwykle ważne, ponieważ rozróżnienie klientów na tych, którzy naprawdę potrzebują dodatkowej zachęty do kupna od tych, którzy kupią produkt tak czy inaczej, może pomóc otrzymać jeszcze wyższe ROI.

Optymalizacja asortymentu

Kiedy chcemy skutecznie adresować potrzeby konsumentów, nie możemy zapomnieć o właściwym doborze asortymentu. Wykorzystując analizę historycznych danych sprzedażowych, możemy lepiej zrozumieć charakterystykę popytu w danej kategorii, a przez to skuteczniej zaplanować, jakie produkty i w jakich ilościach będą oferowane w sklepach. Z matematycznego punktu widzenia taki problem sprowadza się do maksymalizacji sprzedaży lub zysku brutto przy zadanych ograniczeniach, np. ograniczonym budżecie, miejscu na półce, czy innych założeniach. Prognozując popyt, wykorzystuje się teorię wyboru konsumenta i modele użyteczności do estymacji prawdopodobieństwa, że klient wybierze dany produkt oraz jego skłonność do substytucji w przypadku niedostępności preferowanego towaru. Doskonałym wzbogaceniem analityki asortymentowej są dane z programu lojalnościowego, które umożliwiają śledzenie decyzji zakupowych indywidualnego klienta. Dzięki nim można znacznie dokładniej zrozumieć, które produkty silnie przywiązują klientów, jakie atrybuty decydują o wyborze danego produktu oraz między którymi zachodzi największa substytucyjność. Warto także wykorzystać wiedzę o produktach komplementarnych, którą można zdobyć, chociażby dzięki analizie koszykowej. Na jej podstawie możliwe jest między innymi odpowiednie zaplanowanie kampanii marketingowych, na przykład poprzez ustawienie obok produktu objętego promocją dobra komplementarnego w pełnej cenie. Planowanie asortymentu powinno również uwzględnić specyfikę konkretnego sklepu, począwszy od rozróżnienia ze względu na np. lokalizację, otoczenie konkurencyjne, aż po segmentację sklepów opartą na dominujących potrzebach zakupowych i popularności danych kategorii produktów.

Branża handlu detalicznego coraz częściej sięga również po rozwiązania typu Internet of Things (IoT) w celu optymalizacji układu sklepów. Analiza danych pochodzących z czujników Wi-Fi, danych NFC i RFID czy beaconów korzystających z połączeń Bluetooth oraz analizy obrazu z wykorzystaniem metod sztucznej inteligencji, pozwala na monitorowanie ruchu klientów zarówno w sklepie, jak i poza nim (wykorzystując np. dane od operatorów komórkowych). Dzięki takim rozwiązaniom sprzedawcy detaliczni mogą zidentyfikować osoby, które opuszczają sklep bez dokonania zakupu i czy następnie kierują się do konkurenta. Mogą też znaleźć potencjalne lokalizacje nowych sklepów na podstawie natężenia ruchu, wskazać alejki i działy, które są najczęściej pomijane lub najczęściej przyciągają uwagę konsumentów oraz zrozumieć, w jaki sposób klienci poruszają się po sklepach.

Optymalizacja cen

W obliczu rosnących dochodów konsumentów i wzrostu liczby dostępnych kanałów sprzedaży, optymalizacja cen staje się dla sprzedawców detalicznych atrakcyjnym źródłem wzrostu przychodów. Ustalanie cen wymaga jednak precyzji na wielu poziomach szczegółowości – pomiędzy sklepami, segmentami klientów, kanałami sprzedaży, wymaga też uwzględnienia kluczowych czynników strategicznych, takich jak konkurencja, role kategorii, czy wizerunek marki. Analizy skupiające się na pomiarze popytu przy różnych poziomach cen i przy różnych ofertach promocyjnych oraz rabatach pozwalają zoptymalizować poziomy cen w ciągu całego cyklu życia produktu. Analiza elastyczności cenowej pozwala dodatkowo określić wpływ zmiany cen na popyt. Modele optymalizujące obniżki cen (biorąc pod uwagę reakcje konsumentów na wahania cen), wykorzystanie zapasów, sprzedaż przed i w trakcie obniżki oraz sezonowość, pomagają odpowiedzieć na pytania: jak często obniżać ceny, jaka powinna być wielkość obniżek i na jak wielu produktach?

Coraz większą popularność zdobywa również koncepcja dynamicznego ustalania cen. Algorytmy analityczne, wykorzystując różnorodne czynniki (np. podaż produktu, cele sprzedażowe, marże, ruch w sklepie, popularność produktów) na bieżąco dostosowują poziom cen do sytuacji rynkowej. Zaawansowana analityka stanowi platformę, dzięki której optymalizacja cen może stać się integralną częścią codziennej działalności sprzedawców detalicznych. Doświadczenia związane ze wdrażaniem strategii cenowej opartej na analizie danych pokazują, że może się ona przełożyć na natychmiastowe zwiększenie zysku o 2-4%. Z kolei sprzedaż wzrasta o 1-2%1.

Analiza lokalizacyjna

Analiza geoprzestrzenna lub lokalizacyjna polega na zebraniu i zintegrowaniu danych dotyczących sprzedaży, sklepów, klientów — ich danych socjodemograficznych, dotyczących sieci dróg i transportu oraz innych punktów zainteresowania, np. sklepów konkurencji. Głównym celem takiej analizy jest dostarczenie informacji, jak sprzedawcy detaliczni mogą poprawić wyniki swojego portfolio sklepów w oparciu o dane dotyczące nieruchomości czy dane socjodemograficzne danego obszaru. Analiza taka pokazuje efektywność istniejących sklepów i pomaga odpowiedzieć na pytanie, czy istnieje potencjał na jej poprawę. Pozwala też skutecznie wskazać sklepy, które powinny zostać zamknięte oraz wykrywa miejsca, gdzie można osiągnąć największy zysk z otwarcia nowego sklepu. Analizy geomarketingowe umożliwiają też skuteczniejsze planowanie działań reklamowych. Wyznaczenie zasięgu oddziaływania danego sklepu znajduje zastosowanie m.in. w działaniach outdoorowych (reklama zewnętrzna). Polega na przykład na korzystaniu z billboardów w określonym zasięgu od sklepu (np. nie więcej niż 5 minut dojazdu samochodem), co może wpłynąć na szybką reakcję klienta i zwiększyć efektywność reklamy. Dane dotyczące ruchu w sklepie i jego okolicy otwierają również nowe możliwości marketingu bezpośredniego. Klient może otrzymać spersonalizowaną ofertę, kiedy zbliża się do sklepu lub zobaczyć dedykowaną reklamę na mijanych nośnikach reklamy zewnętrznej OOH (out-of-home). Inteligentne reklamy OOH wykorzystują nawet technologię wykrywania twarzy i są w stanie rozpoznać, kto ogląda w danym momencie reklamę, a następnie automatycznie przedstawić najkorzystniejszą ofertę reklamową.

Optymalizacja łańcucha dostaw

Łańcuchy dostaw z jednej strony stają się coraz bardziej skomplikowane, a z drugiej stanowią jedną z najistotniejszych pozycji w strukturze kosztów działalności sprzedawców detalicznych. Są też świetną drogą do zdobycia przewagi konkurencyjnej. Jednak, aby udało się osiągnąć zamierzony cel, powinniśmy zarządzać łańcuchem dostaw już nie tylko w oparciu o historyczne poziomy popytu i podaży. Dzięki zarządzaniu dostawami możemy wykorzystywać bogactwo danych dostępnych w czasie rzeczywistym i przekształcać je w trafne oraz wartościowe prognozy czy nawet decyzje. Zaawansowaną analitykę możemy wykorzystać do zarządzania zapasami czy zmniejszenia kosztów transportu. Dzięki temu szybciej i efektywniej reagujemy na potrzeby klientów.

Zintegrowanie danych pochodzących z różnych źródeł i kanałów, dotyczących sprzedaży i zapasów, pozwala na identyfikację produktów zagrożonych wyczerpaniem lub takich, których w magazynach jest za dużo. Ponadto, modelowanie predykcyjne może być wykorzystane do skierowania zaopatrzenia do najbardziej efektywnych punktów lub przesunięcia zapasów do innej lokalizacji. Dzięki analizie sieci dostawców oraz stałemu wglądowi w przebieg i koszty transportu możemy skutecznie zwiększyć wydajność i znacząco obniżyć wydatki. Odpowiednio wdrożona analityka daje możliwość rozwinięcia systemów, które ściśle łączą sprzedawców detalicznych z dostawcami oraz dystrybutorami, uwzględniając również aspekty marketingu i promocji. Usprawniona współpraca z partnerami ułatwia wytwarzanie nowych produktów i przyspiesza wprowadzenie ich na rynek oraz sprzyja synchronizacji podaży z prognozowanym popytem. Warto zatem skutecznie zarządzać danymi i je analizować, by w przyszłości zobaczyć rozwój swojego biznesu.