Хотите посмотреть систему изнутри
и понять, насколько она
применима для ваших задач?
и понять, насколько она
применима для ваших задач?
С удовольствием проведем демонстрацию:
Внедрение динамического ценообразования: как оценить результаты пилота и не ошибиться
Пилот увеличил прибыль благодаря алгоритмам или потому что рядом с магазином заселили новый жилой комплекс?
Выручка слабо растет, потому что "не те" цены? Или из-за out-of-stock в магазине?
Собрали любопытные кейсы, как российские ритейлеры внедряли динамическое ценообразование и что у них пошло не так.
Бонус: чек-лист подготовки пилота.
Выручка слабо растет, потому что "не те" цены? Или из-за out-of-stock в магазине?
Собрали любопытные кейсы, как российские ритейлеры внедряли динамическое ценообразование и что у них пошло не так.
Бонус: чек-лист подготовки пилота.
СОДЕРЖАНИЕ:
✓ Кейсы: влияние неожиданных факторов на результат пилота динамического ценообразования
-- Кассы самообслуживания и категории из прикассовой зоны.
-- Появление конкурента и замена стратегии.
-- Гипермаркет в спальном районе и новый жилой комплекс.
✓ Чек-лист параметров и событий, которые нужно контролировать, чтобы не исказить результаты А/Б теста динамического ценообразования:
-- 1. Одинаковое промо.
-- 2. Одинаковые акции и скидки, дополняющие промо.
-- 3. Одинаковое управление запасами (контроль out-of-stock).
-- 4. Одинаковое пополнение товара на полке (контроль on-shelf availability).
-- 5. Одинаково эффективный мерчандайзинг (частный случай on-shelf availability).
-- 6. Одинаковые себестоимости.
-- 7. Одинаковое списание "баллов лояльности".
-- 8. Одинаковые функции магазина и его склада, одинаковые списания.
-- 9. Одинаковый вклад оптовых и корпоративных закупок.
✓ Выбор магазинов для А/Б теста:
-- Подход Data Science: выбор магазинов для пилота алгоритмами с машинным обучением.
-- Упрощенный подход: выбор магазинов и категорий для А/Б теста в небольшой розничной сети.
✓ Кейсы: влияние неожиданных факторов на результат пилота динамического ценообразования
-- Кассы самообслуживания и категории из прикассовой зоны.
-- Появление конкурента и замена стратегии.
-- Гипермаркет в спальном районе и новый жилой комплекс.
✓ Чек-лист параметров и событий, которые нужно контролировать, чтобы не исказить результаты А/Б теста динамического ценообразования:
-- 1. Одинаковое промо.
-- 2. Одинаковые акции и скидки, дополняющие промо.
-- 3. Одинаковое управление запасами (контроль out-of-stock).
-- 4. Одинаковое пополнение товара на полке (контроль on-shelf availability).
-- 5. Одинаково эффективный мерчандайзинг (частный случай on-shelf availability).
-- 6. Одинаковые себестоимости.
-- 7. Одинаковое списание "баллов лояльности".
-- 8. Одинаковые функции магазина и его склада, одинаковые списания.
-- 9. Одинаковый вклад оптовых и корпоративных закупок.
✓ Выбор магазинов для А/Б теста:
-- Подход Data Science: выбор магазинов для пилота алгоритмами с машинным обучением.
-- Упрощенный подход: выбор магазинов и категорий для А/Б теста в небольшой розничной сети.
- Никита ЦукановCEO Imprice — облачной системы динамического ценообразования, imprice.ruВслед за большими игроками — X5, Лента, Магнит, 36.6, Эркафарм — внедряют динамическое ценообразование и менее крупные сети.
При этом все сталкиваются с одной и той же проблемой: корректная оценка результатов пилота.
Мы решили поделиться накопленным с клиентами опытом.
Начнем с примеров, когда в процессе пилота выявили неожиданный фактор, сильно влияющий на результат.
1
Пример 1. Кассы самообслуживания и категории из прикассовой зоны
В 2021 году запустили А/Б тест в двух гипермаркетах. В тестовом гипермаркете заработала система динамического ценообразования. В контрольном гипермаркете цены формировали "руками".
В последние два месяца пилота две категории в тестовом магазине начали показывать явную отрицательную динамику продаж, порядка двадцати процентов. В пилоте участвовали все категории, кроме ультрафреша. Падали продажи только двух категорий: жевательная резинка и шоколад.
В контрольном магазине жевательная резинка и шоколад продавались как обычно.
Наши эксперты проанализировали цены совместно с клиентом; проблем в ценах не увидели. Начали искать, что изменилось на стороне клиента.
Произошло следующее. За два месяца до окончания пилота в тестовом гипермаркете четверть касс заменили на кассы самообслуживания без прикассовых зон.
Жевательная резинка и шоколад размещались именно в прикассовых зонах, поэтому их продажи снизились пропорционально количеству мест выкладки.
В контрольном гипермаркете кассы самообслуживания работали с момента его открытия, поэтому продажи товаров из прикассовых зон во время пилота остались стабильными.
В последние два месяца пилота две категории в тестовом магазине начали показывать явную отрицательную динамику продаж, порядка двадцати процентов. В пилоте участвовали все категории, кроме ультрафреша. Падали продажи только двух категорий: жевательная резинка и шоколад.
В контрольном магазине жевательная резинка и шоколад продавались как обычно.
Наши эксперты проанализировали цены совместно с клиентом; проблем в ценах не увидели. Начали искать, что изменилось на стороне клиента.
Произошло следующее. За два месяца до окончания пилота в тестовом гипермаркете четверть касс заменили на кассы самообслуживания без прикассовых зон.
Жевательная резинка и шоколад размещались именно в прикассовых зонах, поэтому их продажи снизились пропорционально количеству мест выкладки.
В контрольном гипермаркете кассы самообслуживания работали с момента его открытия, поэтому продажи товаров из прикассовых зон во время пилота остались стабильными.
Следствие:
1 - В ходе пилота сеть гипермаркетов выяснила, что кассы самообслуживания, помимо своих плюсов, дают и отрицательный эффект, — падение продаж товаров прикассовой зоны. Компания приступила к разработке контрмер.
2 - Подведение итогов пилота потребовало более сложных вычислений: расчет потерь от касс самообслуживания за время их работы в тестовом гипермаркете.
1 - В ходе пилота сеть гипермаркетов выяснила, что кассы самообслуживания, помимо своих плюсов, дают и отрицательный эффект, — падение продаж товаров прикассовой зоны. Компания приступила к разработке контрмер.
2 - Подведение итогов пилота потребовало более сложных вычислений: расчет потерь от касс самообслуживания за время их работы в тестовом гипермаркете.
В некоторых российских сетях уже борются с проблемой "потери прикассовых продаж" — устанавливают "прикассовую зону" у касс самообслуживания.
Например, в "Перекрестках" возле касс самообслуживания начали устанавливать мини-стойки с жевательной резинкой и шоколадом (можно посмотреть, как это выглядит, по ссылке https://www.facebook.com/photo?fbid=10159566638663904).
Например, в "Перекрестках" возле касс самообслуживания начали устанавливать мини-стойки с жевательной резинкой и шоколадом (можно посмотреть, как это выглядит, по ссылке https://www.facebook.com/photo?fbid=10159566638663904).
2
Пример 2. Появление конкурента и замена стратегии
Аптечная сеть запустила пилот.
Для А/Б теста выбрали в городе-полумиллионнике две похожих аптеки, с устойчиво хорошими показателями продаж и доходности. Целевым показателем пилота был дополнительный прирост прибыли в тестовой аптеке по сравнению с контрольной.
Первые два месяца пилота прошли успешно, система динамического ценообразования показала хороший прирост.
Пилотная аптека работала "на трафике" и располагалась на оживленном перекрестке. Через два месяца после старта пилота рядом открылась новая аптека — конкурент начал отбирать покупательский трафик и выручку.
Первоначальный целевой показатель — прирост вала — вынужденно поменяли на другую цель: сохранение/защита выручки и трафика.
Пришлось полностью менять стратегию ценообразования и таргетироваться на нового конкурента по ценам.
Для А/Б теста выбрали в городе-полумиллионнике две похожих аптеки, с устойчиво хорошими показателями продаж и доходности. Целевым показателем пилота был дополнительный прирост прибыли в тестовой аптеке по сравнению с контрольной.
Первые два месяца пилота прошли успешно, система динамического ценообразования показала хороший прирост.
Пилотная аптека работала "на трафике" и располагалась на оживленном перекрестке. Через два месяца после старта пилота рядом открылась новая аптека — конкурент начал отбирать покупательский трафик и выручку.
Первоначальный целевой показатель — прирост вала — вынужденно поменяли на другую цель: сохранение/защита выручки и трафика.
Пришлось полностью менять стратегию ценообразования и таргетироваться на нового конкурента по ценам.
Следствие:
1 - Трафик и выручку удалось сохранить с помощью динамического ценообразования, в этом смысле пилот был признан успешным.
2 - Пилот не позволил оценить потенциальный прирост валовой прибыли от динамического ценообразования: для этого требовалась контрольная аптека, рядом с которой тоже открылся бы конкурент; таких аптек данной сети в городе не было.
3 - Для оценки прироста валовой прибыли потребовался новый пилот, с другой тестовой аптекой.
1 - Трафик и выручку удалось сохранить с помощью динамического ценообразования, в этом смысле пилот был признан успешным.
2 - Пилот не позволил оценить потенциальный прирост валовой прибыли от динамического ценообразования: для этого требовалась контрольная аптека, рядом с которой тоже открылся бы конкурент; таких аптек данной сети в городе не было.
3 - Для оценки прироста валовой прибыли потребовался новый пилот, с другой тестовой аптекой.
3
Пример 3. Гипермаркет в спальном районе и новый жилой комплекс
Сеть гипермаркетов провела А/Б тест динамического ценообразования.
Выбрали два гипермаркета в городе-полумиллионнике, похожих по динамике и структуре продаж за последний год. В гипермаркете в спальном районе запустили динамическое ценообразование; гипермаркет в центре города назначили контрольным.
Итоги пилота превзошли ожидания; прирост продаж и других показателей пилотного магазина в сравнении с контрольным превысил эффект, который динамическое ценообразование давало в других городах. Великолепный результат выглядел подозрительным, так как принципиально новых, "прорывных" стратегий ценообразования в тесте не применяли.
С помощью сотрудников гипермаркета выяснили: в середине пилота рядом с тестируемым магазином заселили новый жилой комплекс.
Подняли и проанализировали продажи за более долгий срок. Оказалось, тестовый гипермаркет работал в спальном районе почти с начала его застройки; в динамике продаж за 3 года выявили явный тренд — небольшой ежегодный прирост количества чеков, выручки, прибыли. Прирост происходил по мере застройки района и введения новых домов в эксплуатацию и был заметен только при сравнении данных за несколько лет.
В контрольном гипермаркете в центре города такой тренд "естестественного стабильного роста" отсутствовал.
Выбрали два гипермаркета в городе-полумиллионнике, похожих по динамике и структуре продаж за последний год. В гипермаркете в спальном районе запустили динамическое ценообразование; гипермаркет в центре города назначили контрольным.
Итоги пилота превзошли ожидания; прирост продаж и других показателей пилотного магазина в сравнении с контрольным превысил эффект, который динамическое ценообразование давало в других городах. Великолепный результат выглядел подозрительным, так как принципиально новых, "прорывных" стратегий ценообразования в тесте не применяли.
С помощью сотрудников гипермаркета выяснили: в середине пилота рядом с тестируемым магазином заселили новый жилой комплекс.
Подняли и проанализировали продажи за более долгий срок. Оказалось, тестовый гипермаркет работал в спальном районе почти с начала его застройки; в динамике продаж за 3 года выявили явный тренд — небольшой ежегодный прирост количества чеков, выручки, прибыли. Прирост происходил по мере застройки района и введения новых домов в эксплуатацию и был заметен только при сравнении данных за несколько лет.
В контрольном гипермаркете в центре города такой тренд "естестественного стабильного роста" отсутствовал.
Следствие:
1 - Подведение итогов пилота потребовало более сложных вычислений: корректировок, учитывающих долгосрочный тренд.
2 - После корректировки прирост целевых показателей пилота оказался "обычным", соответствующим результатам других городов.
1 - Подведение итогов пилота потребовало более сложных вычислений: корректировок, учитывающих долгосрочный тренд.
2 - После корректировки прирост целевых показателей пилота оказался "обычным", соответствующим результатам других городов.
На графиках за 3 года виден тренд — выручка тестового магазина (красная линия) растет быстрее инфляции. Изначально он отставал от контрольного магазина (синяя линия), но в 2021 году догнал и перегнал его.
Чтобы увеличить изображение, кликните на него.
Чтобы увеличить изображение, кликните на него.
- Никита ЦукановCEO Imprice — облачной системы динамического ценообразования, imprice.ruПримеры выше — это истории о внешних и внутренних факторах, затруднивших оценку результатов пилота.
Появление конкурента рядом с вошедшей в пилот точкой сложно предсказать или предотвратить.
Другое дело — внедрение касс самообслуживания и многолетний тренд роста продаж гипермаркета в растущем районе.
Подобная информация есть у менеджмента розничной сети, и её можно использовать для подготовки и управления пилотом. При одном условии: если знать, куда смотреть и на что обращать внимание.
Наши эксперты подготовили базовый чек-лист параметров и событий, которые нужно контролировать — чтобы не исказить результаты А/Б теста.
1
Параметр 1. Одинаковое промо
Тестовый и контрольный магазин для А/Б теста нужно подобрать так, чтобы в период пилота состав их промо был одинаковым. Причем желательно во всех взаимовлияющих категориях, а не только в тех категориях, которые вошли в тест.
Упрощенный пример:
В пилот включили категорию "макаронные изделия"; для лапши, пасты, макарон запустили динамическое ценообразование.
Категория "соусы" не вошла в пилот; цены соусов продолжили устанавливать "руками".
Во время пилота в тестовом гипермаркете запустили акцию на соусы. Песто, болоньезе и другие "заправки" для пасты предлагались по цене вдвое ниже регулярной. Многие покупатели решили воспользоваться случаем и попробовать соусы. Соусы предназначались для пасты, поэтому они купили и макаронные изделия.
В контрольном магазине не было промо на соусы.
В конце пилота в тестовом гипермаркете продажи, выручка, прибыль категории "макаронные изделия" значительно превысили показатели контрольного гипермаркета по этой группе.
Но истинной причиной прироста была акция на соусы, а не динамическое ценообразование.
Ситуация может быть и обратной: акция проходит только в контрольном магазине, и результаты динамического ценообразования занижаются или даже кажутся отрицательными.
В пилот включили категорию "макаронные изделия"; для лапши, пасты, макарон запустили динамическое ценообразование.
Категория "соусы" не вошла в пилот; цены соусов продолжили устанавливать "руками".
Во время пилота в тестовом гипермаркете запустили акцию на соусы. Песто, болоньезе и другие "заправки" для пасты предлагались по цене вдвое ниже регулярной. Многие покупатели решили воспользоваться случаем и попробовать соусы. Соусы предназначались для пасты, поэтому они купили и макаронные изделия.
В контрольном магазине не было промо на соусы.
В конце пилота в тестовом гипермаркете продажи, выручка, прибыль категории "макаронные изделия" значительно превысили показатели контрольного гипермаркета по этой группе.
Но истинной причиной прироста была акция на соусы, а не динамическое ценообразование.
Ситуация может быть и обратной: акция проходит только в контрольном магазине, и результаты динамического ценообразования занижаются или даже кажутся отрицательными.
Задача менеджера пилотного проекта:
- либо подобрать тестовый и контрольный магазины, в которых промо совпадает,
- либо поменять промоакции в тестовом и контрольном магазине: чтобы на период пилота они стали одинаковыми,
- либо исключить из пилота категории с несовпадающими промоакциями. Этот вариант рискованный, потому что "категории с промо" могут оказывать влияние на продажи других категорий.
2
Параметр 2. Одинаковые акции и скидки, дополняющие промо
Если в период пилота в тестовом и контрольном магазинах проходят дополнительные акции, не вошедшие в промо-каталог, — "Купи две штуки по цене одной", "Подарок за покупку" и так далее — они тоже должны быть одинаковыми.
Задача менеджера пилотного проекта:
Задача менеджера пилотного проекта:
- либо подобрать тестовый и контрольный магазины, в которых "дополнительные" акции и скидки совпадают,
- либо поменять акции в тестовом и контрольном магазине: чтобы на период пилота они стали одинаковыми,
- либо исключить из пилота категории с несовпадающими дополнительными скидками. Этот вариант рискованный, потому что "категории с дополнительными скидками" могут оказывать влияние на продажи других категорий.
3
Параметр 3. Одинаковое управление запасами (контроль out-of-stock)
В период пилота наличие товаров из пилотируемых категорий в тестовом и контрольном магазине должно быть одинаковым.
Товарные остатки магазина в тестируемых категориях сильно влияют на результат пилота. Если товар отсутствует, его продажи равны нулю.
Товарные остатки магазина в тестируемых категориях сильно влияют на результат пилота. Если товар отсутствует, его продажи равны нулю.
Упрощенный пример:
В пилотном и контрольном магазине запустили одинаковое промо. При этом в один магазин "положили" меньше промотируемого товара, чем в другой.
В первом магазине остатки раскупили за два дня. Во втором магазине товара хватило на три недели.
Выручка и продажи промо-товаров во втором магазине получились в несколько раз выше, чем в первом магазине.
В пилотном и контрольном магазине запустили одинаковое промо. При этом в один магазин "положили" меньше промотируемого товара, чем в другой.
В первом магазине остатки раскупили за два дня. Во втором магазине товара хватило на три недели.
Выручка и продажи промо-товаров во втором магазине получились в несколько раз выше, чем в первом магазине.
Следствие:
1 - Важно, чтобы в период пилота в пилотном и контрольном магазине поддерживались одинаковые товарные остатки.
2 - Важно, чтобы управление запасами и расчет оптимального остатка делались централизованно в оба магазина, контрольный и тестовый, по одному и тому же алгоритму. Оптимально, если этот процесс автоматизирован.
1 - Важно, чтобы в период пилота в пилотном и контрольном магазине поддерживались одинаковые товарные остатки.
2 - Важно, чтобы управление запасами и расчет оптимального остатка делались централизованно в оба магазина, контрольный и тестовый, по одному и тому же алгоритму. Оптимально, если этот процесс автоматизирован.
Самая плохая ситуация — когда запасами управляет сам магазин.
Эффективность заказа будет зависеть от компетенций конкретного сотрудника ("в одном магазине заказывают хорошо, в другом магазине заказывают плохо").
Это фактор неопределенности, который будет сильно мешать: на продажи будет влиять не только вид ценообразования ("ручное" и динамическое), но и способности сотрудников магазинов.
В такой ситуации "улучшения" в пилотном магазине могут произойти из-за того, что его заказами занимался компетентный сотрудник. И наоборот, могут произойти ухудшения, если заказ поручили "слабому" сотруднику.
Суть А/Б теста — уравнять все факторы магазинов, кроме тестируемого.
Эффективность заказа будет зависеть от компетенций конкретного сотрудника ("в одном магазине заказывают хорошо, в другом магазине заказывают плохо").
Это фактор неопределенности, который будет сильно мешать: на продажи будет влиять не только вид ценообразования ("ручное" и динамическое), но и способности сотрудников магазинов.
В такой ситуации "улучшения" в пилотном магазине могут произойти из-за того, что его заказами занимался компетентный сотрудник. И наоборот, могут произойти ухудшения, если заказ поручили "слабому" сотруднику.
Суть А/Б теста — уравнять все факторы магазинов, кроме тестируемого.
Задача менеджера пилотного проекта:
- либо подобрать тестовый и контрольный магазины, заказы которых централизованы и делаются по одному и тому же алгоритму,
- либо организовать "одинаковость" системы заказов в тестовом и контрольном магазине на время пилота и контроль out-of-stock (централизация, автоматизация, один и тот же алгоритм заказа).
4
Параметр 4. Одинаковое пополнение товара на полке (контроль on-shelf availability)
В период пилота наличие товаров из пилотируемых категорий на полках тестового и контрольного магазина должно быть одинаковым.
"Товар есть на складе магазина" не равно "товар выложен на полку магазина".
"Товар есть на складе магазина" не равно "товар выложен на полку магазина".
Пример:
Сеть супермаркетов начала пилот динамического ценообразования и ежедневно мониторила расширенный список показателей магазинов.
Аналитик по ценообразованию заметил повторяющиеся ситуации: стабильно продающийся товар вдруг переставал продаваться, хотя был на остатках.
Начали выгружать списки таких SKU и выяснять вопрос «на местах», с сотрудниками магазина. Почти в 100% случаев оказалось, что после приемки товар оставили на паллетах. Товар не попадал на полки, продажи SKU падали до нуля. Результирующие показатели продаж ухудшались.
Менеджеры продлили пилот и ввели ежедневный контроль «аномально замерших продаж» в тестовом и контрольном магазине. В результате:
1 – Проблемы с выкладкой в "пилотных категориях" вскоре почти прекратились. Это положительно повлияло на продажи и тестового, и контрольного магазина.
2 – В конце пилота получилось корректно оценить эффект от динамического ценообразования (сравнивали динамику тестового и контрольного магазинов).
Сеть супермаркетов начала пилот динамического ценообразования и ежедневно мониторила расширенный список показателей магазинов.
Аналитик по ценообразованию заметил повторяющиеся ситуации: стабильно продающийся товар вдруг переставал продаваться, хотя был на остатках.
Начали выгружать списки таких SKU и выяснять вопрос «на местах», с сотрудниками магазина. Почти в 100% случаев оказалось, что после приемки товар оставили на паллетах. Товар не попадал на полки, продажи SKU падали до нуля. Результирующие показатели продаж ухудшались.
Менеджеры продлили пилот и ввели ежедневный контроль «аномально замерших продаж» в тестовом и контрольном магазине. В результате:
1 – Проблемы с выкладкой в "пилотных категориях" вскоре почти прекратились. Это положительно повлияло на продажи и тестового, и контрольного магазина.
2 – В конце пилота получилось корректно оценить эффект от динамического ценообразования (сравнивали динамику тестового и контрольного магазинов).
Если товар числится на складе, но сотрудники магазина не успевают его вовремя выкладывать на полку:
1 - Это мгновенно ведет к падению продаж.
2 - Это затрудняет работу искусственного интеллекта в ценообразовании.
Алгоритмы машинного обучения видят ненулевой товарный остаток и нулевые продажи — и делают вывод, что цена неэффективна. Обучение алгоритмов замедляется.
3 - Это искажает результирующие показатели.
При подведении итогов пилота данные скажут: товар был на остатке, но не продавался. Выкладка/ отсутствие товара на полке не отобразится в базе. На основе неверных данных будет сделан неверный вывод:
➜ Отсутствие товара на полке (out-of-shelf, проблемы с on-shelf availability) в контрольном магазине завысит результирующий прирост продаж от динамического ценообразования.
➜ Отсутствие товара на полке в тестовом магазине приведет к заниженной оценке выгоды от внедрения динамического ценообразования. Товар не был выложен на полку — соответственно, его невозможно было купить; но из данных будет сделан вывод, что причина спада продаж в ценах.
1 - Это мгновенно ведет к падению продаж.
2 - Это затрудняет работу искусственного интеллекта в ценообразовании.
Алгоритмы машинного обучения видят ненулевой товарный остаток и нулевые продажи — и делают вывод, что цена неэффективна. Обучение алгоритмов замедляется.
3 - Это искажает результирующие показатели.
При подведении итогов пилота данные скажут: товар был на остатке, но не продавался. Выкладка/ отсутствие товара на полке не отобразится в базе. На основе неверных данных будет сделан неверный вывод:
➜ Отсутствие товара на полке (out-of-shelf, проблемы с on-shelf availability) в контрольном магазине завысит результирующий прирост продаж от динамического ценообразования.
➜ Отсутствие товара на полке в тестовом магазине приведет к заниженной оценке выгоды от внедрения динамического ценообразования. Товар не был выложен на полку — соответственно, его невозможно было купить; но из данных будет сделан вывод, что причина спада продаж в ценах.
Задача менеджера пилотного проекта:
- в период пилота контролировать выкладку товара на полку в тестовом и в контрольном магазинах.
Быстро "починить" скорость выкладки во всей розничной сети невозможно.
Зато организовать систему мониторинга "пилотируемых категорий" в двух магазинах вполне реально.
Пример:
Для борьбы с отсутствием товара на полке в Imprice есть простой, но достаточно эффективный инструмент — автоматически формирующийся отчет "Аномально замершие продажи".
Розничная сеть получает из отчета информацию:
● Пиво Балтика 7, средние продажи — 3.85 бутылки в день, остаток на складе магазина 586 штук, появился минимум три дня назад, за 2 дня не продалось ни одной бутылки Балтика 7, за неделю было продано 3 штуки. Подозреваются проблемы с выкладкой.
● Корм для кошек, должен продаваться по 4 штуки в день, остаток 185 штук, появился минимум три дня назад, за два дня продалось ноль штук, продажи за неделю 2 штуки. Подозреваются проблемы с выкладкой.
И так далее.
Несмотря на простоту, этот отчет довольно точно показывает проблему и позволяет эффективно с ней работать.
Список товаров из этого отчета ежедневно вручную проверяют в магазине: что происходит с полкой.
Практика показывает: при регулярном активном мониторинге позиций из отчета количество строк в отчете — "сигналов" замерших продаж — значительно уменьшается.
Кейс применения отчета в пилоте можно прочесть по ссылке: https://imprice.ru/case-ambar1
Для борьбы с отсутствием товара на полке в Imprice есть простой, но достаточно эффективный инструмент — автоматически формирующийся отчет "Аномально замершие продажи".
Розничная сеть получает из отчета информацию:
● Пиво Балтика 7, средние продажи — 3.85 бутылки в день, остаток на складе магазина 586 штук, появился минимум три дня назад, за 2 дня не продалось ни одной бутылки Балтика 7, за неделю было продано 3 штуки. Подозреваются проблемы с выкладкой.
● Корм для кошек, должен продаваться по 4 штуки в день, остаток 185 штук, появился минимум три дня назад, за два дня продалось ноль штук, продажи за неделю 2 штуки. Подозреваются проблемы с выкладкой.
И так далее.
Несмотря на простоту, этот отчет довольно точно показывает проблему и позволяет эффективно с ней работать.
Список товаров из этого отчета ежедневно вручную проверяют в магазине: что происходит с полкой.
Практика показывает: при регулярном активном мониторинге позиций из отчета количество строк в отчете — "сигналов" замерших продаж — значительно уменьшается.
Кейс применения отчета в пилоте можно прочесть по ссылке: https://imprice.ru/case-ambar1
5
Параметр 5. Одинаково эффективный мерчандайзинг (частный случай on-shelf availability)
В период пилота качество выкладки товаров из пилотируемых категорий на полки тестового и контрольного магазинов и наличие ценников должны быть одинаковыми.
"Непредвиденное" падение продаж в контрольном или тестовом магазине во время пилота можно получить, если:
✘ Отсутствуют ценники. Для части покупателей это равносильно отсутствию товара на полке.
✘ Остаток на полке меньше "минимального количества фейсингов" ("минимального количества по планограмме", "минимального полочного запаса для привлекательной выкладки"). Для части покупателей это равносильно отсутствию товара на полке.
"Непредвиденное" падение продаж в контрольном или тестовом магазине во время пилота можно получить, если:
✘ Отсутствуют ценники. Для части покупателей это равносильно отсутствию товара на полке.
✘ Остаток на полке меньше "минимального количества фейсингов" ("минимального количества по планограмме", "минимального полочного запаса для привлекательной выкладки"). Для части покупателей это равносильно отсутствию товара на полке.
Пример:
Категория "средства для бритья", кассеты для бритья Gillette. Выкладкой занимаются мерчандайзеры производителя.
Если в прикассовой зоне вывешено мало бритвенных кассет, их продажи резко падают: одни покупатели их не замечают и поэтому забывают купить, другие просто не могут найти взглядом, а возвращаться из очереди в торговый зал и искать секцию бритвенных принадлежностей не готовы.
Категория "средства для бритья", кассеты для бритья Gillette. Выкладкой занимаются мерчандайзеры производителя.
Если в прикассовой зоне вывешено мало бритвенных кассет, их продажи резко падают: одни покупатели их не замечают и поэтому забывают купить, другие просто не могут найти взглядом, а возвращаться из очереди в торговый зал и искать секцию бритвенных принадлежностей не готовы.
Задача менеджера пилотного проекта:
- в период пилота динамического ценообразования контролировать и "выравнивать" качество выкладки товаров из пилотируемых категорий в тестовом и в контрольном магазинах: наличие ценников, количество фейсингов, общий остаток SKU на полке.
Иначе на продажи будет влиять не только вид ценообразования ("ручное" и динамическое), но и способности сотрудников магазинов и "приходящих" мерчандайзеров.
6
Параметр 6. Одинаковые себестоимости
В период пилота себестоимости товаров из пилотируемых категорий в тестовом и контрольном магазинах должны быть одинаковыми.
Или должна иметься возможность подставить одинаковую себестоимость в оба магазина при вычислении итоговой валовой прибыли.
Или должна иметься возможность подставить одинаковую себестоимость в оба магазина при вычислении итоговой валовой прибыли.
Упрощенный пример.
В тестовом магазине в начале пилота имелся большой запас товара А с себестоимостью 100 рублей; этого запаса хватило на весь пилот.
В контрольном магазине запас товара А был небольшим; с начала пилота товар А стал поступать с себестоимостью 150 рублей.
В месяц, предшествующий пилоту, валовая прибыль и в тестовом, и в контрольном магазинах равнялась 5000 рублей.
За месяц пилота тестовый магазин продал 100 единиц товара А по "динамической" цене 190 рублей.
Валовую прибыль посчитали так:
100* (190-100) = 9000 рублей
Контрольный магазин продал 100 единиц товара А по "ручной" цене 200 рублей.
Валовую прибыль посчитали так:
100* (200-150) = 5000 рублей
С этой методикой расчета вышло, что прирост валовой прибыли в тестовом магазине составил 4000 рублей, а в контрольном 0 рублей, и динамическое ценообразование увеличило валовую прибыль на 80%. В реальности роста не было, только разница в себестоимостях.
Понятно, что ситуация может быть и обратной — когда рост прибыли от "динамических цен" занижен из-за более высокой себестоимости в тестовом магазине.
В тестовом магазине в начале пилота имелся большой запас товара А с себестоимостью 100 рублей; этого запаса хватило на весь пилот.
В контрольном магазине запас товара А был небольшим; с начала пилота товар А стал поступать с себестоимостью 150 рублей.
В месяц, предшествующий пилоту, валовая прибыль и в тестовом, и в контрольном магазинах равнялась 5000 рублей.
За месяц пилота тестовый магазин продал 100 единиц товара А по "динамической" цене 190 рублей.
Валовую прибыль посчитали так:
100* (190-100) = 9000 рублей
Контрольный магазин продал 100 единиц товара А по "ручной" цене 200 рублей.
Валовую прибыль посчитали так:
100* (200-150) = 5000 рублей
С этой методикой расчета вышло, что прирост валовой прибыли в тестовом магазине составил 4000 рублей, а в контрольном 0 рублей, и динамическое ценообразование увеличило валовую прибыль на 80%. В реальности роста не было, только разница в себестоимостях.
Понятно, что ситуация может быть и обратной — когда рост прибыли от "динамических цен" занижен из-за более высокой себестоимости в тестовом магазине.
Задача менеджера пилотного проекта:
- либо выбрать для пилота категории с одинаковой себестоимостью в тестовом и контрольном магазинах,
- либо выбрать категории, для которых можно подставить одну и ту же себестоимость во время расчета валовой прибыли.
Если для категории невозможно ни первое, ни второе, её нельзя включать в пилот: на валовую прибыль будет влиять не только вид ценообразования ("ручное" и динамическое), но и отличия в себестоимости.
7
Параметр 7. Одинаковое списание "баллов лояльности"
В период пилота в тестовом и контрольном магазине должно быть одинаковое списание баллов лояльности.
"Если у двух магазинов сопоставимая выручка, то у них и объём списания баллов будет сопоставимым" — говорит нам интуиция. Практика показывает: это не так.
"Если у двух магазинов сопоставимая выручка, то у них и объём списания баллов будет сопоставимым" — говорит нам интуиция. Практика показывает: это не так.
Почему сумма списания баллов может сильно отличаться у магазинов с одинаковой выручкой?
Например, из-за кассиров и скриптов.
В одном магазине называют покупателю сумму накопленных баллов и предлагают их списать.
В другом не предлагают. Покупателю самому надо спросить: "Сколько баллов у меня на карте? Давайте их спишем?" Часть покупателей стесняется, часть просто забывает про баллы.
Например, из-за кассиров и скриптов.
В одном магазине называют покупателю сумму накопленных баллов и предлагают их списать.
В другом не предлагают. Покупателю самому надо спросить: "Сколько баллов у меня на карте? Давайте их спишем?" Часть покупателей стесняется, часть просто забывает про баллы.
Разница в списаниях баллов может так же сильно исказить результирующую валовую прибыль, как разница в себестоимостях.
Задача менеджера пилотного проекта:
Задача менеджера пилотного проекта:
- либо подобрать тестовый и контрольный магазины, в которых суммы списания баллов одинаковые (соотносятся так же, как их выручка),
- либо исключать списанные баллы из итогового расчета валовой прибыли (убирать из чеков списания баллов).
8
Параметр 8. Одинаковые функции магазина и его склада, одинаковые списания
Тестовый и контрольный магазины должны выполнять один и тот же перечень функций и иметь одинаковый объём списаний.
Примеры.
1 - Гипермаркет выполнял функции склада для интернет-магазина сети; его ассортимент в непродовольственных категориях был гораздо шире, чем в других гипермаркетах.
Некорректно сравнивать продажи сковородок, если один магазин предлагает 50 видов сковородок, а другой — всего пять видов. Поэтому гипермаркет с функциями интернет-магазина не стали включать в пилот.
2 - Аптека выступала в роли "перевалочного склада" для других аптек. Из-за этого её ассортимент был аномально широким для данной сети, а объём списаний был настолько велик, что это критично искажало финансовые результаты. Данную аптеку не стали включать в пилот.
3 - В сети аптек процедура списания оформлялась как продажа за 1 рубль.
Это искажало результаты "динамических цен" и мешало обучению алгоритмов. Чеки со списаниями стали убирать из анализируемых данных и подсчетов результатов.
1 - Гипермаркет выполнял функции склада для интернет-магазина сети; его ассортимент в непродовольственных категориях был гораздо шире, чем в других гипермаркетах.
Некорректно сравнивать продажи сковородок, если один магазин предлагает 50 видов сковородок, а другой — всего пять видов. Поэтому гипермаркет с функциями интернет-магазина не стали включать в пилот.
2 - Аптека выступала в роли "перевалочного склада" для других аптек. Из-за этого её ассортимент был аномально широким для данной сети, а объём списаний был настолько велик, что это критично искажало финансовые результаты. Данную аптеку не стали включать в пилот.
3 - В сети аптек процедура списания оформлялась как продажа за 1 рубль.
Это искажало результаты "динамических цен" и мешало обучению алгоритмов. Чеки со списаниями стали убирать из анализируемых данных и подсчетов результатов.
Задача менеджера пилотного проекта:
- либо подобрать тестовый и контрольный магазины, в которых суммы списаний одинаковые (соотносятся так же, как их выручка),
- либо убирать списания из анализа данных и расчета результирующих показателей пилота,
- не брать в пилот магазины с аномальными для сети функциями и ассортиментом.
9
Параметр 9. Одинаковый вклад оптовых и корпоративных закупок
Вклад оптовых и корпоративных закупок в продажи тестового и контрольного магазина должен быть одинаковым.
Пример.
Тестовый гипермаркет располагался рядом с бизнес-застройкой: офисами, складами, производственными помещениями. По этой причине в нем часто делались офисные и мелкооптовые закупки, по цене для "обычных" покупателей, через обычные кассы.
В контрольном гипермаркете мелкооптовые закупки происходили реже.
Оптовые покупки искажали результаты и мешали обучению алгоритмов: продажи товара в какой-то день могли вырастать не из-за оптимизации цены, а потому что пришел "человек из офиса".
Проблему решили, убирая "аномальные чеки" из продаж обоих магазинов: чеки с суммой или количеством единиц больше определенных значений.
Тестовый гипермаркет располагался рядом с бизнес-застройкой: офисами, складами, производственными помещениями. По этой причине в нем часто делались офисные и мелкооптовые закупки, по цене для "обычных" покупателей, через обычные кассы.
В контрольном гипермаркете мелкооптовые закупки происходили реже.
Оптовые покупки искажали результаты и мешали обучению алгоритмов: продажи товара в какой-то день могли вырастать не из-за оптимизации цены, а потому что пришел "человек из офиса".
Проблему решили, убирая "аномальные чеки" из продаж обоих магазинов: чеки с суммой или количеством единиц больше определенных значений.
Задача менеджера пилотного проекта:
- либо подобрать тестовый и контрольный магазины с одинаковой долей оптовых продаж,
- либо убирать аномально большие чеки из анализируемых данных и итоговых результатов.
- Никита ЦукановCEO Imprice — облачной системы динамического ценообразования, imprice.ruПринцип А/Б теста динамического ценообразования в офлайн-ритейле таков:
✓ выбрать одинаковые/ максимально похожие магазины,
✓ в одном запустить динамическое ценообразование, в другом оставить управление ценами прежним,
✓ во время пилота следить, чтобы ценообразование оставалось единственным отличием в работе магазинов,
✓ в конце пилота замерить результат: разницу в целевых показателях контрольного и пилотного магазинов.
Если предыдущие шаги выполнены правильно, то причиной улучшения будет именно динамическое ценообразование.
Разберем, какие инструменты поиска "одинаковых магазинов" для пилота могут использовать крупные розничные сети и что делать небольшим сетям, у которых "одинаковых магазинов" не оказалось.
1
Подход Data Science: выбор магазинов для А/Б теста алгоритмами с машинным обучением
Крупным сетям с тысячами магазинов выбрать контрольный и тестовый магазин помогают алгоритмы с машинным обучением. Общий принцип поиска такой:
1 - Алгоритмы изучают общую динамику продаж торговых точек.
2 - С помощью кластеризации временных рядов выделяют и объединяют в группы (кластеры) магазины с одинаковой динамикой: один магазин растет — и другой растет, один "падает" — и другой "падает".
3 - Внутри группы магазинов (кластера) сравнивают доли продаж конкретных товарных групп и категорий в этих магазинах.
То есть среди магазинов с похожей общей динамикой ищут магазины без принципиальных отличий по структуре продаж. Изучают и сами доли категорий, и динамику этих долей.
4 - Ищут магазины со схожими ключевыми показателями: похожим количеством чеков (трафиком), средним чеком, выручкой, наценкой.
5 - Сравнивают описательную группу факторов: формат магазина, город, расположение ("центр/ не центр"), стрит-ритейл или торговый центр, плотность конкурентов в ближайшем окружении ("в радиусе трех километров такое-то количество конкурентов"), наличие специализированных сервисов ("есть click-and-collect", "магазин является складом интернет-магазина").
Для такого анализа используют справочник магазинов с заполненными свойствами.
Результат — пары магазинов с максимально похожими показателями и характеристиками.
1 - Алгоритмы изучают общую динамику продаж торговых точек.
2 - С помощью кластеризации временных рядов выделяют и объединяют в группы (кластеры) магазины с одинаковой динамикой: один магазин растет — и другой растет, один "падает" — и другой "падает".
3 - Внутри группы магазинов (кластера) сравнивают доли продаж конкретных товарных групп и категорий в этих магазинах.
То есть среди магазинов с похожей общей динамикой ищут магазины без принципиальных отличий по структуре продаж. Изучают и сами доли категорий, и динамику этих долей.
4 - Ищут магазины со схожими ключевыми показателями: похожим количеством чеков (трафиком), средним чеком, выручкой, наценкой.
5 - Сравнивают описательную группу факторов: формат магазина, город, расположение ("центр/ не центр"), стрит-ритейл или торговый центр, плотность конкурентов в ближайшем окружении ("в радиусе трех километров такое-то количество конкурентов"), наличие специализированных сервисов ("есть click-and-collect", "магазин является складом интернет-магазина").
Для такого анализа используют справочник магазинов с заполненными свойствами.
Результат — пары магазинов с максимально похожими показателями и характеристиками.
2
Упрощенный подход: выбор магазинов и категорий для А/Б теста в небольшой розничной сети
В небольших сетях, до нескольких десятков или сотен торговых точек, обычно быстрее и эффективнее использовать "полуручной" подход.
Причины:
1 – Часто качество и объем данных недостаточны для работы алгоритмов (есть "шумы" и "пробелы", нет справочников описательных характеристик магазинов).
2 – Небольшое количество магазинов позволяет быстро сравнить нужные данные "вручную", и точность выводов будет приемлемой.
3 – Из-за малого количества точек порой выбирать не из чего: все магазины сети значительно отличаются по тем или иным показателям и характеристикам.
Причины:
1 – Часто качество и объем данных недостаточны для работы алгоритмов (есть "шумы" и "пробелы", нет справочников описательных характеристик магазинов).
2 – Небольшое количество магазинов позволяет быстро сравнить нужные данные "вручную", и точность выводов будет приемлемой.
3 – Из-за малого количества точек порой выбирать не из чего: все магазины сети значительно отличаются по тем или иным показателям и характеристикам.
Даже такие гиганты, как "Лента" могут испытывать серьезные сложности при поиске действительно "одинаковых" магазинов для пилота и стандартизации этой процедуры
(больше деталей есть, например, в интервью по ссылке: https://youtu.be/hHjlPe8invo )
(больше деталей есть, например, в интервью по ссылке: https://youtu.be/hHjlPe8invo )
-
Шаг 1. Сравнить динамику продаж магазинов.Выводим графики продаж магазинов; минимальный период — 1 год.
Сравниваем динамику всех магазинов по всем ключевым показателям: выручка, количество чеков, средний чек, наполняемость чека и так далее. Здесь также можно задействовать алгоритмы кластеризации.
Когда магазинов мало, найти торговые точки с похожей динамикой можно даже визуальным методом.
Желательно анализировать динамику за несколько лет, чтобы отследить тренды: случаи, когда магазин понемногу, но стабильно растет или "падает".
Пример 3 в начале статьи — как новый жилой комплекс повлиял на продажи во время пилота — показывает, почему важно учитывать тренды:
Графики с примером тренда, которые вы видели в начале статьи: из-за постепенной застройки района тестовый гипермаркет (красная линия) за несколько лет догнал и обогнал контрольный гипермаркет (синяя линия).
Чтобы увеличить изображение, кликните на него.
Чтобы увеличить изображение, кликните на него.
- К сожалению, рядовая ситуация для небольшой сети: выбирать не из чего, идеально совпадающих динамик нет.
Тогда результат Шага 1 — магазины, динамика которых хоть как-то похожа.
Пример ситуации "выбирать не из чего": в выделенных зонах динамика всех магазинов существенно отличается.
Чтобы увеличить изображение, кликните на него.
Чтобы увеличить изображение, кликните на него.
- Шаг 2. Учесть все доступные описательные характеристики выбранных торговых точек.Данный шаг ритейлеру эффективнее сделать "руками" на своей стороне, не привлекая внешнего подрядчика на эту довольно сложную задачу.
Мы рекомендуем делать этот шаг вторым, а не первым, потому что:
✓ Качество описательной разметки характеристик магазинов часто низкое: "У нас всего 30 магазинов, что там описывать, вся информация есть в голове у менеджеров".
✓ Описательные характеристики могут оказаться слабо влияющими на продажи. Конечно, гипермаркет с супермаркетом сравнивать не нужно. Но если два магазина находятся в торговых центрах, это мало о чем говорит — ТЦ могут быть очень разными. Соответственно, и динамика магазинов будет очень разной.
В "полуручном" методе мы рекомендуем прежде всего анализировать динамику продаж, и только потом — все остальные характеристики.
Иначе может оказаться, что вообще не из чего выбирать.
Иначе может оказаться, что вообще не из чего выбирать.
- Шаг 3. Выбрать ассортимент для пилота.Часто рационально "завести" в пилот только часть ассортимента.
В каких ситуациях можно это рекомендовать:
1) В розничной сети не оказалось двух достаточно похожих магазинов для проведения пилота.
Тогда можно выбрать конкретные товарные категории, динамика которых одинакова в двух магазинах, и проводить пилот на этих категориях.
2) Желательно исключить из пилота продукты, которые фасуются магазином вручную. Например, сыры и колбасы, которые нужно нарезать, упаковать в пленку, наклеить ценник на каждый кусок.
Если ввести их в пилот, понадобится отдельный бизнес-процесс по смене ценников. Чтобы поменять цену, каждый кусок потребуется перевесить и оклеить заново. Это трудозатраты гораздо выше замены единого ценника на SKU.
- 3) Желательно исключить из пилота в супермаркете готовые блюда собственного производства.
Здесь также может потребоваться отдельный бизнес-процесс с ценниками. Кроме того, у таких SKU есть проблемы некорректной себестоимости.
4) Желательно исключить из пилота фрукты и овощи.
В этих категориях продажи очень сильно зависят от качества партии. Алгоритм может обучиться на партии огурцов высокого качества, а затем придет низкокачественная партия и цена окажется неоптимальной.
5) Желательно исключить из пилота категории, в которых идет "низкий сезон" или спад продаж.
На малых объёмах данных сложно делать выводы.
Общая рекомендация:
➜ Для пилота выбирайте те категории, продажами которых вы действительно сможете управлять и при этом будете уверены, что изменения показателей обусловлены именно ценами.
➜ Для пилота выбирайте те категории, продажами которых вы действительно сможете управлять и при этом будете уверены, что изменения показателей обусловлены именно ценами.
- Шаг 4. Проверить Параметры 1-9 по чек-листу из этой статьи.Результат — пара магазинов и перечень категорий в этих магазинах с максимально похожими показателями и характеристиками.
Поделиться статьёй и обсудить её с коллегами: